Page 1
i
W
;/--n
TUGAS AKHIR – KI141502
STUDI KINERJA METODE LOSSY COMPRESSION PADA CITRA MEDIS MENGGUNAKAN ALGORITMA KOMPRESI BERBASIS FRAKTAL DAN WAVELET
NANANG TAUFAN BUDIANSYAH NRP 5113100183 Dosen Pembimbing I Dr. Eng. Chastine Fatichah, S.Kom., M.Kom. Dosen Pembimbing II Dr. Eng. Nanik Suciati, S.Kom., M.Kom. DEPARTEMEN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2017
Page 3
i
TUGAS AKHIR – KI141502
STUDI KINERJA METODE LOSSY COMPRESSION PADA CITRA MEDIS MENGGUNAKAN ALGORITMA KOMPRESI BERBASIS FRAKTAL DAN WAVELET
NANANG TAUFAN BUDIANSYAH NRP 5113100183 Dosen Pembimbing I Dr. Eng. Chastine Fatichah, S.Kom., M.Kom. Dosen Pembimbing II Dr. Eng. Nanik Suciati, S.Kom., M.Kom. DEPARTEMEN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2017
Page 4
ii
[Halaman ini sengaja dikosongkan]
Page 5
iii
UNDERGRADUATE THESIS – KI141502
PERFORMANCE STUDY OF LOSSY COMPRESSION METHOD ON MEDICAL IMAGES USING FRACTAL COMPRESSION ALGORITHM AND WAVELET NANANG TAUFAN BUDIANSYAH NRP 5113100183 Supervisor I Dr. Eng. Chastine Fatichah, S.Kom., M.Kom. Supervisor II Dr. Eng. Nanik Suciati, S.Kom., M.Kom. DEPARTMENT OF INFORMATICS FACULTY OF INFORMATION TECHNOLOGY INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2017
Page 6
iv
[Halaman ini sengaja dikosongkan]
Page 8
vi
[Halaman ini sengaja dikosongkan]
Page 9
vii
STUDI KINERJA METODE LOSSY COMPRESSION
PADA CITRA MEDIS MENGGUNAKAN ALGORITMA
KOMPRESI BERBASIS FRAKTAL DAN WAVELET
Nama Mahasiswa : NANANG TAUFAN BUDIANSYAH
NRP : 5113100183
Jurusan : Teknik Informatika FTIF-ITS
Dosen Pembimbing 1 : Dr.Eng. Chastine Fatichah, S.Kom.,
M.Kom.
Dosen Pembimbing 2 : Dr.Eng. Nanik Suciati, S.Kom.,
M.Kom.
Abstrak
Dewasa ini penggunaan komputer semakin meningkat,
peningkatan jumlah pengguna komputer mengakibatkan
meningkatnya penggunaan data digital. Salah satu data digital
yang banyak digunakan yaitu citra digital. Elemen terkecil
pada suatu citra digital dinamakan pixel.. Semakin banyak
pixel, semakin tinggi resolusi suatu citra digital. Semakin
banyak pixel maka semakin besar juga ukuran file citra digital
tersebut sehingga akan mengakibatkan kapasitas ruang
penyimpanan data.
Untuk memperkecil ukuran file suatu citra digital guna
menghemat kapasitas ruang penyimpanan, maka digunakanlah
teknik kompresi terhadap citra digital. Metode kompresi citra
digital dibagi menjadi 2, yaitu lossy dan lossless data
compression. Lossy data compression merupakan metode
kompresi data yang menghilangkan beberapa data pada citra
digital sehingga menyebabkan pada saat proses dekompresi
data maka cira yang dihasilkan berbeda dengan citra yang asli.
Terdapat beberapa algoritma dan transformasi untuk kompresi
lossy, diantaranya seperti fourier, cosinus, walsh, hamadard,
fraktal, dan wavelet. Tugas Akhir ini menggunakan metode
Page 10
viii
fraktal dan wavelet untuk melakukan kompresi pada citra
medis.
Dari hasil uji coba menunjukan bahwa dengan metode
wavelet menghasilkan nilai PSNR tertinggi mencapai 33.33.
dan untuk metode kompresi fraktal menghasilkan PSNR
tertinggi mencapai 22.62.
Kata kunci : Citra Digital, Kompresi, Fraktal, Wavelet, PSNR,
Lossy
Page 11
ix
PERFORMANCE STUDIES OF LOSSY COMPRESSION
ON MEDICAL IMAGES USING FRACTAL
COMPRESSION ALGORITHM AND WAVELET
Student’s Name : NANANG TAUFAN BUDIANSYAH
Student’s ID : 5113100183
Department : Teknik Informatika FTIF-ITS
First Advisor : Dr.Eng. Chastine Fatichah, S.Kom.,
M.Kom.
Second Advisor : Dr.Eng. Nanik Suciati, S.Kom.,
M.Kom.
Abstract
Nowadays, users of computer are increase, the
increasing number of computer users resulted in increased of
digital data user. One of the most currently used in digital data
is digital image. The smallest element in a digital image is
called a pixel. The more pixels, the higher resolution of a digital
image. The more pixels the larger file size of digital image will
result in the capacity of the data storage space.
To reduce the file size of a digital image for saving the
capacity of storage space, therefore used techniques of
compression for digital images. Data compression method is
divided into 2 types, lossy and lossless data compression. Lossy
data compression is a method of data compression that
eliminates some data in digital images so that the result of
decompression digital image is different with the original
digital image, there are several algorithms and transformations
for lossy compression such as fourier, cosine, Walsh,
hamadard, fractal, and wavelet. This Final Project uses fractal
and wavelet method to compress the medical image.
Page 12
x
From the test results show that with the wavelet method
produces the highest PSNR value reached 31.55. And for the
fractal compression method get the higest value 22.62.
Keywords: Digital Image, Compression, Fractal, Wavelet,
PSNR, Lossy
Page 13
xi
KATA PENGANTAR
Alhamdulillahirabbil’alamin, segala puji bagi Allah SWT, yang
telah melimpahkan rahmat dan hidayah-Nya sehingga penulis
dapat menyelesaikan Tugas Akhir yang berjudul “STUDI
KINERJA METODE LOSSY COMPRESSION PADA
CITRA MEDIS MENGGUNAKAN ALGORITMA
KOMPRESI BERBASIS FRAKTAL DAN WAVELET”.
Bagi penulis, pengerjaan Tugas Akhir ini merupakan sebuah
pengalaman yang berharga. Selama pengerjaan Tugas Akhir,
penulis bisa belajar lebih banyak untuk memperdalam dan
meningkatkan apa yang telah didapatkan penulis selama
menjalani perkuliahan di Teknik Informatika ITS dan Tugas
Akhir ini adalah implementasi dari apa yang telah penulis
pelajari.
Selesainya Tugas Akhir ini tidak lepas dari bantuan dan
dukungan beberapa pihak. Sehingga pada kesempatan ini
penulis mengucapkan syukur dan terima kasih kepada:
1. Allah SWT dan Nabi Muhammad SAW.
2. Keluarga tercinta, Ibu, Papa, Mbak Ayu yang telah
memberikan dukungan moral dan material serta do’a yang
tak terhingga untuk penulis. Serta selalu memberikan
semangat dan motivasi pada penulis dalam mengerjakan
Tugas Akhir ini.
3. Ibu Dr.Eng. Chastine Fatichah, S.Kom., M.Kom. selaku
pembimbing I yang telah membimbing dan membantu
penulis serta memberikan motivasi dalam menyelesaikan
Tugas Akhir ini dengan sabar.
4. Ibu Dr.Eng. Nanik Suciati, S.Kom., M.Kom. selaku
pembimbing II yang juga telah membantu, membimbing,
dan memotivasi kepada penulis dalam mengerjakan Tugas
Akhir ini.
Page 14
xii
5. Bapak Darlis Herumurti, S.Kom., M.Kom. selaku Kepala
Jurusan Teknik Informatika ITS, Bapak Radityo Anggoro,
S.Kom.,M.Sc. selaku koordinator TA, dan segenap dosen
Teknik Informatika yang telah memberikan ilmunya serta
staf karyawan Jurusan Teknik Informatika ITS yang telah
memberikan bantuan demi kelancaran admisnistrasi penulis
selama kuliah.
6. Hari, Zaza, Dhita, Lino, Saddam, Nindi, Lino, Rifqi, Apip,
Mooy, Lusi, Dhea, Gian, Budi, Dhanar dan teman-teman
lab Management Informasi yang telah memberi semangat
serta menjadi teman seperjuangan dalam menyelesaikan
Tugas.
7. Faisal Arif, Steven, Rayhan, Iyan, Subhan, Gerald, Ivan,
Eko, Glenn, Wahyu, Nabil, serta teman- teman manyar
tirtoasri yang selalu memberikan semangat untuk penulis .
8. Mas azis, mbak dian, mbak ajeng, mbak-mbak dan mas-
mas yang telah membantu penulis.
9. Serta semua pihak yang yang telah turut membantu penulis
dalam menyelesaikan Tugas Akhir ini.
Penulis menyadari bahwa Tugas Akhir ini masih memiliki
banyak kekurangan. Sehingga, penulis mengharapkan kritik
dan saran yang membangun dari pembaca untuk perbaikan ke
depannya.
Surabaya, Juni 2017
Page 15
xiii
DAFTAR ISI
LEMBAR PENGESAHAN...... Error! Bookmark not defined. Abstrak ................................................................................. vii Abstract ................................................................................. ix KATA PENGANTAR .......................................................... xi DAFTAR ISI ....................................................................... xiii DAFTAR GAMBAR ........................................................... xv DAFTAR TABEL .............................................................. xvii DAFTAR KODE SUMBER .............................................. xix BAB I PENDAHULUAN ...................................................... 1 1.1 Latar Belakang.................................................................. 1 1.2 Rumusan Masalah ............................................................ 2 1.3 Tujuan ............................................................................... 2 1.4 Manfaat ............................................................................. 3 1.5 Batasan Masalah ............................................................... 3 1.6 Metodologi ....................................................................... 3 1.7 Sistematika Penulisan Laporan Tugas Akhir .................... 4 BAB II TINJAUAN PUSTAKA ........................................... 7 2.1 Citra Digital ...................................................................... 7 2.1.1 Elemen-Elemen Citra Digital .................................... 10 2.1.2 Format File ................................................................ 12 2.1.3 Pixel ........................................................................... 13 2.1.4 Bith Depth ................................................................. 13 2.2 Pengolahan Citra Digital ................................................ 13 2.3 Kompresi Citra ............................................................... 15 2.4 Klasifikasi Metode Kompresi ......................................... 17 2.5 Metode Fraktal ............................................................... 18 2.6 Transformasi Wavelet .................................................... 22 2.7 Mean Square Error (MSE) .............................................. 23 2.8 Peak Signal to Noise Ratio (PSNR) ............................... 24 2.9 Compression Ratio (CR) ................................................ 24 2.10 Bits Per Pixel (BPP) ....................................................... 25 BAB III PERANCANGAN SISTEM ................................. 27 3.1 Data ................................................................................ 27
Page 16
xiv
3.1.1 Data Masukan ............................................................ 27 3.1.2 Data Keluaran ............................................................ 28 3.2 Desain Umum Sistem ..................................................... 28 3.2.1 Kompresi Citra dengan Metode Wavelet .................. 29 3.2.2 Dekompresi Citra dengan Metode Wavelet ............... 34 3.2.3 Kompresi Citra dengan Metode Fractal ..................... 35 3.2.4 Dekompresi Citra dengan Metode Fractal ................. 38 BAB IV IMPLEMENTASI................................................. 41 4.1 Lingkungan Implementasi .............................................. 41 4.2 Implementasi .................................................................. 41 4.2.1 Kompresi dan Dekompresi Citra dengan Fractal....... 42 4.2.2 Kompresi dan Dekompresi Citra dengan Wavelet ... 46 BAB V UJI COBA DAN EVALUASI ................................ 49 5.1 Lingkungan Pengujian .................................................... 49 5.2 Data Pengujian ................................................................ 50 5.3 Skenario Uji Coba .......................................................... 51 5.3.1 Skenario Uji Coba Kompresi citra grayscale dengan
data masukan citra medis. .......................................... 52 5.3.2 Skenario Uji Coba Kompresi citra grayscale dengan
data masukan citra Lena. ........................................... 54 5.3.3 Skenario Uji Coba Kompresi citra grayscale dengan
data masukan citra Baboon. ....................................... 56 5.3.4 Skenario Uji Coba Kompresi citra color dengan data
masukan citra medis. ................................................. 58 5.3.5 Skenario Uji Coba Kompresi citra color dengan data
masukan citra Lena. ................................................... 60 5.3.6 Skenario Uji Coba Kompresi citra color dengan data
masukan citra Baboon. .............................................. 62 5.4 Analisa Hasil Uji Coba ................................................... 64 BAB VI KESIMPULAN DAN SARAN ............................. 71 6.1 Kesimpulan ..................................................................... 71 6.2 Saran ............................................................................... 72 Daftar Pustaka ..................................................................... 73 BIODATA PENULIS .......................................................... 75
Page 17
xv
DAFTAR GAMBAR
Gambar 2. 1 Contoh sampling citra digital [11]........................8 Gambar 2. 2. Citra sebagai matrik[11] ...................... ...............9 Gambar 2. 3 Representasi kurva f(x,y) dari citra[11]................9
Gambar 2. 4 (a) proses kompresi (b) proses dekompresi [1]....16
Gambar 2. 5 Ilustrasi kompresi loseless [1].............................17
Gambar 2. 6 Ilustrasi kompresi lossy [1].................................18
Gambar 2. 7 Standar Proses Kompresi Fraktal .......................19
Gambar 2. 8 Standar Proses Dekompresi Fraktal.....................21
Gambar 3. 1 Contoh Citra Masukan .......................................26
Gambar 3. 2 Diagram Proses Program ...................................27 Gambar 3. 3 (a) Dekomposisi level 1, (b) Dekomposisi level 2,
(c) Dekomposisi level 3..........................................................28
Gambar 3. 4 Proses pengkodean dengan koefisien haar.........28
Gambar 3. 5 (a) Dekomposisi level 1, (b) Dekomposisi level 2,
(c) Dekomposisi level 3[1]......................................................29
Gambar 3. 6 Flowchart Kompresi Wavelet ...........................33 Gambar 3. 7 Flowchart Dekompresi Wavelet.........................34 Gambar 3. 8 Contoh matrix dari citra asli ..............................36
Gambar 3. 9 Ilustrasi pencarian nilai pasangan blok range dan
blok domain ............................................................................36
Gambar 3. 10 Flowchart Kompresi Fraktal ............................37 Gambar 3. 11 Flowchart Dekompresi Fraktal .........................39 Gambar 5. 1 Gambaran hasil proses kompresi Wavelet..........50
Gambar 5. 2 Gambaran hasil proses kompresi Fraktal ...........51 Gambar 5. 3 Hasil Kompresi Citra Grayscale Medis dengan
Wavelet ..................................................................................53 Gambar 5. 4 Hasil Kompresi Citra Grayscale Medis dengan
Fraktal ....................................................................................54
Gambar 5. 5 Hasil Kompresi Citra Grayscale Lena dengan
Wavelet ..................................................................................55
Gambar 5. 6 Hasil Kompresi Citra Grayscale Lena dengan
Fraktal ....................................................................................56
Page 18
xvi
Gambar 5. 7 Hasil Kompresi Citra Grayscale Baboon dengan
Wavelet ..................................................................................57
Gambar 5. 8 Hasil Kompresi Citra Grayscale Baboon dengan
Fraktal ....................................................................................58 Gambar 5. 9 Hasil Kompresi Citra Color Medis dengan
Wavelet ..................................................................................59 Gambar 5. 10 Hasil Kompresi Citra Color Medis dengan
Fraktal ....................................................................................60
Gambar 5. 11 Hasil Kompresi Citra Color Lena dengan
Wavelet ..................................................................................61 Gambar 5. 12 Hasil Kompresi Citra Color Lena dengan
Fraktal ....................................................................................61
Gambar 5. 13 Hasil Kompresi Citra Color Baboon dengan
Wavelet ..................................................................................63 Gambar 5. 14 Hasil Kompresi Citra Color Baboon dengan
Fraktal ....................................................................................63
Gambar 5. 15 Grafik Persentase Kompresi ...........................69
Page 19
xvii
DAFTAR TABEL
Tabel 4. 1. Spesifikasi lingkungan implementasi ................... 41
Tabel 5. 1 Spesifikasi lingkungan uji coba ............................ 49 Tabel 5. 2 Hasil kompresi citra medis dengan Wavelet..........52 Tabel 5. 3 Hasil kompresi citra medis dengan Fraktal............53 Tabel 5. 4 Hasil kompresi citra Lena dengan Wavelet............54 Tabel 5. 5 Hasil kompresi citra Lena dengan Fraktal..............55
Tabel 5. 6 Hasil kompresi citra Baboon dengan Wavelet........56 Tabel 5. 7 Hasil kompresi citra Baboon dengan Fraktal..........57 Tabel 5. 8 Hasil kompresi citra color medis dengan Wavelet...58 Tabel 5. 9 Hasil kompresi citra color medis dengan Fraktal.....59
Tabel 5. 10 Hasil kompresi citra color Lena dengan Wavelet..60 Tabel 5. 11 Hasil kompresi citra color Lena dengan Fraktal...61 Tabel 5. 12 Hasil kompresi citra color Baboon dengan
Wavelet ................................................................................. 62
Tabel 5. 13 Hasil kompresi citra color Baboon dengan Fraktal62 Tabel 5. 14 Hasil penyimpanan citra dengan extensi PNG, JPG ,
dan GIF ……………………………………………………...64
Tabel 5. 15 Perbandingan ukuran kompresi citra....................66 Tabel 5. 16 Perbandingan Threshold pada Dekomposisi
Wavelet LV1………………………………………………...67 Tabel 5. 17 Perbandingan Persentase Rasio Kompresi...........68
Page 20
xviii
[Halaman ini sengaja dikosongkan]
Page 21
xix
DAFTAR KODE SUMBER
Kode Sumber 4. 1 Proses pembagian Blok Range .............42 Kode Sumber 4. 2 Proses pembagian Blok Domain .........43
Kode Sumber 4. 3 Penskalaan Blok Domain .....................44 Kode Sumber 4. 4 Pencarian Kemiripan antara Blok Range
dan Blok Domain .................................................................44 Kode Sumber 4. 5 Transformasi Affine blok range dan blok
domain ...................................................................................45
Kode Sumber 4. 6 Proses Dekompresi Fraktal.........................46
Kode Sumber 4. 7 Menghitung nilai A,DH DV,DD untuk
setiap chanel RGB ...............................................................46 Kode Sumber 4. 8 Kuantisasi nilai xh, xv, xd ....................47
Kode Sumber 4. 9 Kuantisasi dengan nilai threshold
minimal 20.............................................................................47
Kode Sumber 4. 10 Proses Dekuantisasi........ ....................48 Kode Sumber 4. 11 Pembentukan Citra dari File Terkompres 48
Page 22
xx
[Halaman ini sengaja dikosongkan]
Page 23
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Dewasa ini penggunaan komputer semakin meningkat,
peningkatan jumlah pengguna komputer mengakibatkan
peningkatan penggunaan data digital. Salah satu data digital
yang banyak digunakan yaitu citra digital. Adapun salah satu
penggunaan dari citra digital yaitu untuk menyimpan berbagai
macam hasil citra medis seperti foto kanker, gigi, tulang, darah,
dan lain sebagainya. Elemen terkecil pada suatu citra digital
dinamakan pixel [1]. Semakin banyak pixel, semakin tinggi
resolusi suatu citra digital (semakin banyak pixel) maka
semakin besar juga ukuran file (byte) citra digital tersebut
sehingga akan mengakibatkan kapasitas ruang penyimpanan
data (storage). Kebanyakan dari citra medis memiliki resolusi
yang tinggi sehingga ukuran filenya cukup besar.
Untuk memperkecil ukuran file suatu citra digital agar
menghemat kapasitas ruang penyimpanan digunakanlah teknik
kompresi terhadap citra digital. Tujuan dari kompresi yaitu
mengurangi atau menghilangkan redundansi data dari suatu
citra untuk mendapatkan ukuran file citra digital yang lebih
kecil tetapi tetap menjaga kualitas citra digital [5]. Metode
kompresi data (citra digital) dibagi menjadi 2, yaitu lossy dan
lossless data compression. Lossy data compression merupakan
metode kompresi data yang menghasilkan kompresi dengan
rasio kompresi yang besar dengan cara menghilangkan
beberapa data pada citra digital sehingga menyebabkan pada
saat proses dekompresi data (citra digital) yang dihasilkan
berbeda dengan data (citra digital) yang asli [9], terdapat
beberapa algoritma dan transformasi untuk kompresi lossy
seperti fourier, cosinus, walsh, hamadard, fraktal, dan
wavelet[1]. Sedangakan lossless data compression merupakan
Page 24
2
2
metode kompresi data yang hasil dekompresinya sama dengan
data (citra digital) aslinya [9].
Selanjutnya, penulis akan melakukan analisis
perbandingan kompresi citra medis dengan beberapa
pengukuran performasi (evaluation method). Ukuran
performansi hasil kompresi yang digunakan pada tugas akhir ini
yaitu: Mean Square Error (MSE ), PSNR (Peak Signal to Noise
Rasio), Compression Ratio (CR), dan Bits Per Pixel (BPP).
1.2 Rumusan Masalah
Rumusan masalah yang diangkat dalam Tugas Akhir
ini dapat dipaparkan sebagai berikut:
1. Bagaimana kompresi citra medis menggunakan
metode berbasis Fraktal?
2. Bagaimana kompresi citra medis menggunakan
metode berbasis Wavelet?
3. Bagaimana performasi kompresi citra medis dengan
menggunakan metode berbasis Fraktal dan Wavelet?
1.3 Tujuan
Tujuan dari Tugas Akhir ini adalah
1. Menganalisis dan mengimplementasikan metode
Fraktal dan Wavelet pada citra medis.
2. Menganalisis performansi hasil kompresi citra medis
dengan menggunakan Mean Square Error (MSE ),
PSNR (Peak Signal to Noise Rasio), Compression
Ratio (CR), dan Bits Per Pixel (BPP).
Page 25
3
3
1.4 Manfaat
Adapun manfaat dari tugas akhir ini adalah untuk
memperkecil ukuran file suatu citra medis sehingga menghemat
kapasitas ruang penyimpanan.
1.5 Batasan Masalah
Permasalahan yang dibahas dalam Tugas Akhir ini
memiliki beberapa batasan, yaitu sebagai berikut:
1. Citra yang digunakan adalah citra medis grayscale dan
true color dengan format bitmap (.BMP)
2. Simulasi dilakukan menggunakan Matlab R2014a.
3. Ukuran citra masimal yang digunakan yaitu 512x512.
1.6 Metodologi
Tahapan-tahapan yang dilakukan dalam pengerjaan
Tugas Akhir ini adalah sebagai berikut:
1. Penyusunan proposal Tugas Akhir.
Tahap pertama dalam proses pengerjaan tugas akhir ini
adalah menyusun proposal tugas akhir. Pada proposal
tugas akhir ini diajukan analisis perbandingan lossy
compression pada citra medis.
2. Studi literatur
Pada tahap ini, akan dicari studi literatur yang relevan
untuk dijadikan referensi dalam pengerjaan tugas akhir.
Studi literatur dapat diambil dari buku, internet, ataupun
materi dalam suatu mata kuliah yang berhubungan dengan
metode kompresi berbasis fraktal dan wavelet.
3. Analisis dan desain perangkat lunak
Pada tahap ini akan dilakukan analisis yang dimulai
dari pemilihan citra medis yang akan digunakan, baik itu
grayscale maupun true color, selanjutnya citra input
tersebut akan di lakukan kompresi dengan 2 buah metode
Page 26
4
4
(Fraktal dan Wavelet). Kemudian tahap terakhir yaitu
evaluasi dengan menggunakan 4 macam evaluation
method (MSE, PSNR, CR, dan BPP).
4. Implementasi perangkat lunak
Perangkat lunak ini akan dibangun dengan
menggunakan bahasa pemrograman dan kakas bantu
Matlab R2014a dengan fungsi yang sudah tersedia di
dalamnya.
5. Pengujian dan evaluasi
Aplikasi akan diuji setelah selesai diimplementasikan
menggunakan skenario yang sudah dipersiapkan.
Pengujian dan evaluasi akan dilakukan dengan melihat
kesesuaian dengan perencanaan. Dengan melakukan
pengujian dan evaluasi dimaksudkan juga untuk
mengevaluasi jalannya program, mencari masalah yang
mungkin timbul dan mengadakan perbaikan jika terdapat
kesalahan.
6. Penyusunan buku Tugas Akhir.
Pada tahap ini dilakukan penyusunan laporan yang
menjelaskan dasar teori dan metode yang digunakan dalam
Tugas Akhir ini serta hasil dari implementasi aplikasi
perangkat lunak yang telah dibuat.
1.7 Sistematika Penulisan Laporan Tugas Akhir
Buku Tugas Akhir ini merupakan laporan secara lengkap
mengenai Tugas Akhir yang telah dikerjakan baik dari sisi teori,
rancangan, maupun implementasi sehingga memudahkan bagi
pembaca dan juga pihak yang ingin mengembangkan lebih
lanjut. Sistematika penulisan buku Tugas Akhir secara garis
besar antara lain:
Bab I Pendahuluan Bab ini berisi penjelasan latar belakang, rumusan
masalah, batasan masalah dan tujuan pembuatan
Page 27
5
5
Tugas Akhir. Selain itu, metodologi pengerjaan dan
sistematika penulisan laporan Tugas Akhir juga
terdapat di dalamnya.
Bab II Dasar Teori
Bab ini berisi penjelasan secara detail mengenai
dasar-dasar penunjang dan teori-teori yang
digunakan untuk mendukung pembuatan Tugas
Akhir ini.
Bab III Perancangan Perangkat Lunak
Bab ini berisi penjelasan tentang rancangan dari
sistem yang akan dibangun. Rancangan ini dituliskan
dalam bentuk pseudocode.
Bab IV Implementasi
Bab ini berisi penjelasan implementasi dari
rancangan yang telah dibuat pada bab sebelumnya.
Implementasi disajikan dalam bentuk code secara
keseluruhan disertai dengan penjelasannya.
Bab V Uji Coba Dan Evaluasi
Bab ini berisi penjelasan mengenai data hasil
percobaan dan pembahasan mengenai hasil
percobaan yang telah dilakukan.
Bab VI Kesimpulan Dan Saran
Bab ini merupakan bab terakhir yang menyampaikan
kesimpulan dari hasil uji coba yang dilakukan dan
saran untuk pengembangan perangkat lunak ke
depannya.
Page 28
6
6
[Halaman ini sengaja dikosongkan]
Page 29
7
BAB II
TINJAUAN PUSTAKA
Dalam bab ini akan dijelaskan mengenai teori-teori yang
merupakan dasar dari pembangunan sistem. Selain itu terdapat
penjelasan yang menunjang pengerjaan Tugas Akhir ini sehingga
dapat memberikan gambaran secara umum sistem yang akan
dibangun.
2.1 Citra Digital
Citra digital merupakan sebuah array berisi nilai-nilai real
maupun komplek yang direpresentasikan dengan deretan bit
tertentu, suatu citra dapat didefinisikan sebagai fungsi f(x,y)
berukuran M baris dan N kolom dan amplitudo f di titik koordinat
(x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik
tersebut[1]. Untuk penyimpanan citra digital diperlukan format file
citra. Setiap format memiliki karateristik masing masing[1]. Citra
digital adalah gambar dua dimensi yang dapat ditampilkan pada
layar monitor komputer sebagai himpunan berhingga (diskrit) nilai
digital yang disebut piksel (picture elements). Setiap pixel
memiliki nilai (value atau number) yang menunjukkan intensitas
keabuan pada pixel tersebut. Derajat keabuan dimana
merepresentasikan grey level atau kode warna. Kisaran nilai
ditentukan oleh bit yang dipakai dan akan menunjukkan resolusi
aras abu-abu (grey level resolution)[5].
1 bit –2 warna: [0,1]
4 bit –16 warna: [0,15]
8 bit –256 warna: [0,255]
24 bit –16.777.216 warna (true color)
Kanal Merah -Red (R): [0,255]
Kanal Hijau - Green (G): [0,255]
Kanal Biru - Blue (B): [0,255]
Suatu citra dapat didefenisikan sebagai fungsi f(x,y)
berukuran M baris dan N kolom, dengan x dan y adalah koordinat
spasial, dan amplitudo f di titik koordinat (x,y) dinamakan
Page 30
8
8
intensitas atau tingkat keabuan dari citra pada titik tersebut.
Apabila nilai x,y, dan amplitudo f secara keseluruhan berhingga
(finite) dan bernilai diskrit maka dapat dikatakan bahwa citra
tersebut adalh citra digital. Gambar 2.2 menunjukkan posisi
koordinat digital[11].
Berikut ini adalah contoh sampling dari citra digital :
Gambar 2.1 Contoh sampling citra digital [11]
Dengan kata lain, dapat dinyatakan bahwa citra digital adalah
citra yang didefenisikan sebagai fungsi f(x,y) di mana x
menyatakan nomor baris, y menyatakan nilai kolom, dan f
menyatakan nilai derajat keabuan dari citra, dengan demikian (x,y)
adalah posisi dari pixel dan f adalah nilai derajat keabuan pada titik
(x,y) seperti terlihat pada Gambar 2.2.
Gambar 2.3 Representasi kurva f(x,y) dari citra[11].
Representasi model di atas adalah representasi dari citra
grayscale (menggunakan derajat keabuan). Untuk citra berwarna,
maka digunakan model RGB (Red-Green-Blue) dimana satu citra
berwarna dinyatakan sebagai 3 buah matrik grayscale yang berupa
matrik untuk Red (R-layer), matrik untuk Green (G-layer) dan
matrik untuk Blue (B-layer).
Page 31
9
Gambar 2.2 Citra sebagai matrik[11].
R-layer adalah matrik yang menyatakan derajat kecerahan
untuk warna merah misalkan untuk skala keabuan 0-255, maka
nilai 0 menyatakan gelap (hitam) dan 255 menyatakan warna
Page 32
10
10
merah. G-layer adalah matrik yang menyatakan derajat kecerahan
untuk warna hijau, dan B-layer adalah matrik yang menyatakan
derajat kecerahan untuk warna biru[11].
2.1.1 Elemen-Elemen Citra Digital
Citra digital mengandung sejumlah elemen dasar[5],
diantaranya:
1. Kecerahan (brightness)
Kecerahan adalah kata lain untuk intensitas cahaya.
Kecerahan pada sebuah titik (pixel) di dalam citra bukanlah
intensitas yang riil, tetapi sebenarnya adalah intensitas rata-rata
dari suatu area yang melingkupinya. Sistem visual manusia
mampu menyesuaikan dirinya dengan tingkat kecerahan
(brightness level) mulai dari yang paling rendah sampai yang
paling tinggi [5].
2. Kontras (contrast)
Kontras menyatakan sebaran terang (lightness) dan gelap
(darkness) di dalam sebuah gambar. Citra dengan kontras
rendah dicirikan oleh sebagian besar komposisi citranya adalah
terang atau sebagian besar gelap. Pada citra dengan kontras
baik, komposisi gelap dan terang tersebar secara merata[5]..
3. Kontur (cotour)
Kontur adalah keadaan yang ditimbulkan oleh perubahan
intensitas pada pixel-pixel yang bertetangga. Karena adanya
perubahan intensitas inilah mata kita mampu mendeteksi tepi-
tepi (edge) objek di dalam citra[5].
4. Warna (color)
Warna adalah persepsi yang dirasakan oleh sistem visual
manusia terhadap panjang gelombang cahaya yang
dipantulkan oleh objek. Setiap warna mempunyai panjang
gelombang () yang berbeda. Warna merah mempunyai
panjang gelombang paling tinggi, sedangkan warna ungu
(violet) mempunyai panjang gelombang paling rendah.
Warna-warna yang diterima oleh mata (sistem visual
manusia) merupakan hasil kombinasi cahaya dengan panjang
Page 33
11
gelombang berbeda. Penelitian memperlihatkan bahwa
kombinasi warna yang memberikan rentang warna yang paling
lebar adalah Red (R), Green (G), dan Blue (B).
Persepsi sitem visual manusia terhadap warna sangat
relatif sebab dipengaruhi oleh banyak kriteria, salah satunya
disebabkan oleh adaptasi yang menimbulkan distorsi.
Misalnya bercak abu-abu di sekitar warna hijau akan tampak
keunguan (distorsi terhadap ruang), atau jika mata melihat
warna hijau lalu langsung dengan cepat melihat warna abu-
abu, maka mata menangkap kesan warna abu-abu tersebut
sebagai warna ungu (distorsi terhadap waktu) [5].
5. Bentuk (shape)
Shape adalah property intrinsic dari objek tiga dimensi,
dengan pengertian bahwa shape merupakan property intrinsic
utama untuk sistem visual manusia. Manusia lebih sering
mengasosiasikan objek dengan bentuknya ketimbang elemen
lainnya (warna misalnya). Pada umumnya, citra yang dibentuk
oleh mata merupakan citra dwimatra (2 dimensi), sedangkan
objek yang dilihat umumnya berbentuk trimatra (3 dimensi).
Informasi bentuk objek dapat diekstraksi dari citra pada
permulaan pra-pengolahan dan segmentasi citra[5].
6. Tekstur (texture)
Tekstur dicirikan sebagai distribusi spasial dari derajat
keabuan di dalam sekumpulan pixel-pixel ynag bertetangga.
Jadi, tekstur tidak dapat didefenisikan untuk sebuah pixel.
Sistem visual manusia pada hakikatnya tidak menerima
informasi citra secara independen pada setiap pixel, melainkan
suatu citra dianggap sebagai suatu kesatuan. Resolusi citra yang
diamati ditentukan oleh skala pada mana tekstur tersebut
dipersepsi. Sebagai contoh, jika kita mengamati cita lantai
berubin dari jarak jauh, maka kita mengamati bahwa tekstur
terbentuk oleh penempatan ubin-ubin secara keseluruhan,
bukan dari persepsi pola di dalam ubin itu sendiri. Tetapi, jika
mengamati citra yang sama dari jarak yang dekat, maka hanya
beberapa ubin yang tampak dalam bidang pengamatan,
Page 34
12
12
sehingga kita mempersepsi bahwa tekstur terbentuk oleh
penempatan pola-pola rinci yang menyusun tiap ubin[5].
2.1.2 Format File
Format file menentukan bagaimana informasi data
dipresentasikan dalam suatu file. Tiap informasi file memiliki
kelebihan dan kelemahan pada masing-masing format tersebut.
Dalam sistem operasi windows biasanya format file dapat
dibedakan dari namanya yaitu diakhiri dengan titik
misalnya .txt, .doc, .html dan lain-lain.Setiap format memiliki
karateristik masing masing[1]. Berikut ini ini penjelasan beberapa
format umum yang digunakan saat ini:
1. Tagged Image Format (.tif, .tiff)
Format .tif merupakan format penyimpanan citra yang
dapat digunakan untuk menyimpan citra bitmap hingga citra
dengan warna. Format ini dapat digunakan untuk menyimpan
citra yang tidak terkompresi dan juga citra terkompresi [1].
2. Portable Network Graphics (.png)
Format .png adalah format penyimpanan data terkompresi.
Format ini dapat digunakan pada citra grayscale, citra warna,
dan juga fullcolor[1].
3. JPEG (.jpg)
Format .jpg adalah format yang sangat umum digunakan
saat ini khususnya untuk transmisi citra. Format ini juga
digunakan untuk menyimpan citra hasil kompresi dengan
metode JPEG[1].
4. Graphics Interchange Format (.gif)
Format ini merupakan format yang digunakan pada citra
warna 8 bit. Kualitas yang rendah menyebabkan format ini
kurang populer di kalangan peneliti pengolahan citra digital[1].
5. Bitmap (.bmp)
Format .bmp adalah format penyimpanan standar tanpa
kompresi yang umum dapat digunakan untuk menyimpan citra
biner hingga citra warna. Format ini terdiri dari beberapa jenis
yang setiap jenisnya ditentukan dengan jumlah bit yang
digunakan untuk menyimpan sebuah nilai pixel[1]. Saat ini
Page 35
13
format BMP memang “kalah” populer dibandingkan format
JPG atau GIF. Hal ini karena berkas BMP pada umumnya tidak
dimampatkan, sehingga ukuran berkasnya relatif besar dari
pada berkas JPG atau GIF. Hal ini juga yang menyebabkan
format BMP sudah jarang digunakan. Meskipun format BMP
tidak bagus dari segi ukuran berkas, namun format BMP
mempunyai kelebihan dari segi kualitas gambar. Citra dalam
format BMP lebih bagus dari pada citra dalam format yang
lainnya, karena citra dalam format BMP umumnya tidak
dimampatkan sehingga tidak ada informasi yang hilang[5].
2.1.3 Pixel
Pixel disebut juga dengan dot. Pixel berbentuk bujur
sangkar dengan ukuran relatif kecil yang merupakan penyusun atau
pembentuk gambar [11]. Banyaknya pixel satuan luas tergantung
pada resolusi yang digunakan. Keanekaragaman warna pixel
tergantung pada bit depth yang dipakai. Semakin banyak jumlah
pixel tiap satuan luas, semakin baik kualitas gambar yang
dihasilkan dan tentu akan semakin besar ukuran filenya.
2.1.4 Bith Depth
Bit depth (kedalaman warna) yang sering disebut juga
dengan pixel depth atau color depth [11]. Bit depth menentukan
berapa banyak informasi warna yang tersedia untuk ditampilkan
atau dicetak dalam setiap pixel. Semakin besar nilainya semakin
bagus kualitas gambar yang dihasilkan. Tentu ukuran juga semakin
besar.
Misalnya suatu gambar mempunyai bit depth = 1. Ini
berarti hanya ada 2 kemungkinan warna ( 21 = 2 ) yang ada pada
gambar tersebut yaitu hitam dan putih. Bit depth = 24 berarti
mempunyai warna 224 = 16 juta warna.
2.2 Pengolahan Citra Digital
Pengolaha citra (image processing) merupakan suatu
sistem dimana proses dilakukan dengan masukan berupa citra
(image) dan hasilnya juga berupa citra (image) [11].
Page 36
14
14
Macam-macam teknik pengolahan citra digital antara lain sebagai
berikut :
1. Perbaikan Kualitas Citra (Image Enchancement)
Jenis operasi ini bertujuan untuk memperbaiki kualitas citra
dengan cara memanipulasi parameter-parameter citra. Yang
termasuk dalam klasifikasi ini antara lain : Perbaikan kontras
gelas/ terang (contrast enhancement), penajaman
(sharpening)[11].
2. Pemugaran Citra (Image Restoration)
Operasi ini bertujuan untuk menghilangkan atau
meminimumkan cacat pada citra. Yang termasuk dalam
klasifikasi ini antara lain : Penghilangan kesamaran
(debluring), Penghilangan derau (noise)[11].
3. Segmentasi Citra (Image Segmentation)
Operasi ini bertujuan untuk memecah suatu citra ke dalam
beberapa segmen dengan suatu kriteria tertentu. Jenis operasi
ini erat kaitannya dengan pengenalan pola[11].
4. Analisis Citra (Image Analysis)
Operasi ini bertujuan untuk menghitung besaran kuantitatif
citra untuk menghasilkan deskripsinya. Yang termasuk dalam
klasifikasi ini antara lain : Pendeteksian tepian (edge
detection), Representasi daerah (region), Ekstraksi batas
(boudary)[11].
5. Kompresi Citra / Pemampatan Citra (Image Compression)
Operasi ini bertujuan untuk memampatkan citra sehingga
memori yang dibutuhkan untuk menyimpan citra lebih kecil,
tetapi hasil citra yang telah dimampatkan tetap memiliki
kualitas gambar yang bagus. Contohnya adalah metode
Wavelet, Fractal, Huffman, RLE[11].
6. Rekonstruksi Citra (Image Reconstruction)
Operasi ini bertujuan untuk membentuk ulang objek dari
beberapa citra hasil proyeksi. Operasi rekonstruksi citra
banyak digunakan dalam bidang medis. Contohnya adalah foto
Page 37
15
rontgen dengan sinar X digunakan untuk membentuk ulang
gambar orgab tubuh[11].
Dalam tugas akhir ini, pengolahan citra digital difokuskan pada
teknik Kompresi citra.
2.3 Kompresi Citra
Proses kompresi merupakan proses mereduksi ukuran suatu
data untuk menghasilkan representase citra digital yang padat atau
mampat namun tetap dapat mewakili kuantitas informasi yang
terkandung pada data tersebut. Pada citra, video, dan audio,
kompresi mengarah pada minimisasi jumlah bit rate untuk
representase digital. Pada beberapa literature, istilah kompresi
sering disebut juga source coding, data compression, bandwith
compression, dan signal compression [8].
Data dan informasi adalah dua hal yang berbeda. Pada data
terkandung suatu informasi. Namun tidak semua bagian data
terkait dengan informasi tersebut atau pada suatu data terdapat
bagian-bagian data yang berulang untuk mewakili informasi yang
sama. Bagian data yang tidak terkait atau bagian data yang
berulang tersebut disebut dengan data berlebihan (redundancy
data). Tujuan daripada kompresi data tiada lain adalah untuk
mengurangi data berlebihan tersebut sehingga ukuran data menjadi
lebih kecil dan lebih ringan dalam proses transmisi. Kompresi citra
(images compression) mempunyai tujuan meminimalkan
kebutuhan memori untuk merepresentasikan sebuah citra digital.
Prinsip umum yang digunakan pada proses kompresi citra digital
adalah mengurangi duplikasi data di dalam citra sehingga memori
yang dibutuhkan untuk merepresentasikan citra menjadi lebih
sedikit dari pada citra digital aslinya. Terdapat dua proses utama
dalam permasalahan kompresi citra digital [8] seperti yang
ditunjukan pada Gambar 2.4 dibawah.
Page 38
16
16
Gambar 2.4 (a) proses kompresi (b) proses dekompresi [1]
1. Kompresi citra (images compression)
Pada proses ini citra digital dalam representasinya yang
asli (belum dikompres) dikodekan dengan representasi yang
meminimumkan kebutuhan memori. Citra dengan format
bitmap pada umumnya tidak dalam bentuk kompresan. Citra
yang sudah dikompres disimpan ke dalam arsip dengan
menggunakan format tertentu[8]. Kompresi berbasis
transformasi citra merupakan kompresi yang bersifat lossy [1].
2. Dekompresi citra (images decompression)
Page 39
17
Pada proses dekompresi, citra yang sudah dikompresi
harus dapat dikembalikan lagi menjadi representasi citra
seperti citra aslinya. Proses ini diperlukan jika citra ingin
ditampilkan ke layar atau disimpan ke dalam arsip dengan
format yang tidak terkompres [1].
2.4 Klasifikasi Metode Kompresi
Metode kompresi citra dapat diklasifikasikan ke dalam dua
kelompok besar :
1. Metode Loseless
Metode loseless selalu menghasilkan citra hasil pemampatan
yang tepat sama dengan citra semula, pixel per pixel. Tidak ada
informasi yang hilang pada proses pemampatan[1]. Gambaran
kompresi loseless ditunjukan pada gambar 2.5 dibawah.
Contoh : metode Huffman, RLE.
Gambar 2.5 Ilustrasi kompresi loseless [1].
2. Metode Lossy
Metode lossy menghasilkan citra hasil pemampatan yang
hampir sama dengan citra semula. Ada informasi yang hilang
akibat pepampatan, tetapi dapat ditolerir oleh persepsi mata[1].
Gambaran kompresi loseless ditunjukan pada gambar 2.6 dibawah.
Contoh : Metode Fractal, Wavelet
Page 40
18
18
Gambar 2.6 Ilustrasi kompresi lossy [1].
Dalam tugas akhir ini, metode kompresi citra difokuskan pada
metode Lossy khususnya Fraktal dan Wavelet.
2.5 Metode Fraktal
Metode pemampatan cira fraktal (fractal image
compression) adalah metode lossy compression yang relatif baru.
Metode ini mengeksploitasi kemiripan bagian-bagian di dalam
citra dan menghitung transformasi yang memetakan bagian-bagian
caitra yang memiliki kemiripan tersebut[5]. Algoritma Fraktal
adalah salah satu dari berbagai metode lossy image compression
[1]. Metode kompresi ini mengusung fakta bahwa dalam suatu citra
ada bagian yang mirip dengan bagian lainnya pada citra
tersebut[3]. Kompresi fraktal mengusung fakta bahwa dalam
sebuah citra ada suatu bagian yang mirip dengan bagian lain dari
citra tersebut. Algoritma fraktal mengubah bagian- bagian yang
mirip tersebut menjadi data metematis yang disebut “kode fraktal”,
yang akan digunakan untuk membentuk ulang citra yang
dikompresi. Citra yang dikompresi dengan metode fraktal akan
kehilangan resolusinya, sehingga memungkinkan untuk
membentuk kembali citra tersebut dalam resolusi yang berbeda.
Gambaran kompresi fraltal terlihat pada gambar 2.7.
Page 41
19
Gambar 2.7 Standar Proses Kompresi Fraktal
Adapun algoritma untuk kompresi citra digital dengan fraktal
adalah [5] :
a. Baca citra asli
b. Menentukan ukuran matriks citra asli
c. Menentukan ukuran blok range
d. Menentukan ukuran blok domain
e. Blok domain diskalakan ukurannya menjadi ½ kali ukuran
semula.
f. Untuk setiap blok range :
1. Dicari kemiripan antara blok range ke i dengan semua blok
domain dengan menghitung rms (root mean square) seperti
pada persamaan(2.1). dimana n merupakan jumlah pixel
pada citra, z’ merupakan blok range dan z merupakan blok
domain.
𝑑𝑟𝑚𝑠 = 1
𝑛√∑ ∑ (𝑧′
𝑖𝑗 − 𝑧𝑖𝑗)2𝑛𝑗=1
𝑛𝑖=𝑗 (2.1)
Page 42
20
20
2. Hitung transformasi affine untuk antara blok range ke i
dengan blok domain yang terpilih dengan persamaan (2.2).
Dimana Titik (x,y) dengan intensitas z yang termasuk di
dalam blok ranah dipetakan oleh wi , oi menyatakan ofset
kecerahan dan parameter si adalah kontras, sedangkan e
dan f menyatakan pergeseran sudut kiri blok domain ke
sudut kiri blok range.
[𝑥′𝑦′
𝑧′
] = 𝑤𝑖 [𝑥𝑦𝑧
] = [0.5 0 00 0.5 00 0 𝑠𝑖
] [𝑥𝑦𝑧
] + [
𝑒𝑖
𝑓𝑖
𝑜𝑖
] (2.2)
3. Simpan koefisien transformasi affine ke i berupa si yang
menyatakan faktor kontras pixel (seperti tombol kontras di
TV) yang didapat dengan persamaan (2.3), oi menyatakan
ofset kecerahan (brightness) pixel yang didapat dengan
persamaan (2.4), parameter ei dan fi yang menyatakan
pergeseran sudut kiri domain blok ke sudut kiri range blok
yang terpilih. Dimana d merupakan pixel pada blok domain
dan r merupaka pixel pada blok range
𝑠 =[𝑛 ∑ 𝑑𝑖𝑟𝑖−∑ 𝑑𝑖 ∑ 𝑟𝑖
𝑛𝑖=1
𝑛𝑖=1
𝑛𝑖=1 ]
[𝑛 ∑ 𝑑𝑖2𝑛
𝑖=1 −(∑ 𝑑𝑖𝑛𝑖=1 )2]
(2.3)
𝑜 =1
𝑛[∑ 𝑟𝑖
𝑛𝑖=1 − 𝑠 ∑ 𝑑𝑖
𝑛𝑖=1 ] (2.4)
4. Simpan semua parameter dalam PIFS.
Page 43
21
Gambar 2.8 Standar Proses Dekompresi Fraktal
Proses dekompresi fraktal ditunjukan pada Gambar 2.8.
Adapun algoritma untuk dekompresi kompresi citra digital
dengan fraktal adalah [5] :
a. Baca parameter PIFS
b. Baca Citra sembarang berukuran sama dengan citra input
c. Membuat Range Blok dari citra sembarang berukuran 8x8.
d. Untuk setiap Range Blok dilakukan Transformasi Affine
dengan parameter PIFS yang ada.
e. Citra semula terbentuk.
2.5.1 PIFS (Partition Iterated Function System)
Pada kenyataannya sangat sulit menemukan suatu
sembarang citra yang self-similarity dengan keseluruhan citra. IFS
tidak mungkin diterapkan pada sembarang citra. Dengan kata lain
IFS hanya dapat berlaku untuk objek-objek Fraktal (objek-objek
yang memiliki kemiripan dengan diri sendiri secara sempurna)
saja. Self-similarity pada sembarang citra dapat diperoleh dengan
mencari kemiripan lokal, yaitu mencari bagian-bagian tertentu
pada citra yang mirip dengan bagian-bagian lain pada citra
tersebut. Metode untuk mencari self-similarity lokal ini disebut
dengan metode PIFS. Metode diterapkan untuk kompresi citra dan
kini telah menjadi algoritma standar dalam pengkodean Fraktal
(Fractal Coding). Dalam mencari kemiripan lokal suatu citra, PIFS
membagi (partisi) citra ke dalam blok-blok besar yang disebut blok
Page 44
22
22
ranah (domain blok) dan blok-blok yang lebih kecil yang disebut
blok jelajah (range blok). Blok ranah boleh saling tumpang tindih
sedangkan blok jelajah tidak. Transformasi wi dinyatakan dengan
perluasan transformasi Affine pada persamaan [5].
Jadi, titik (x,y) adalah sebuah pixel domain dengan nilai z,
dan (x’,y’) adalah sebuah pixel range dengan nilai baru z’.
Koefisien ei dan fi mentranslasikan blok domain ke dalam posisi
blok range ketika ukurannya mengecil dalam skala 2 kali.
2.6 Transformasi Wavelet
Wavelet diartikan sebagao small wave atau gelombang
singkat. Transformasi Wavelet akan mengkonversi suatu sinyal
kedalam sederet Wavelet. Gelombang singkat tersebut merupakan
fungsi basis yang terletak pada waktu yang berbeda. Wavelet
merupakan metode untuk tranformasi sinyal sehingga mampu
memberikan informasi frekuensi yang muncul tentang skala atau
durasi atau waktu[1]. Transformasi Wavelet merupakan perbaikan
dari Transformasi Fourier, Transformasi Wavelet mampu
menmberikan informasi tentang skala atau durasi waktu.
Transformasi Wavelet merupakan salah satu metode yang sangat
terpakai dan sangat baik digunakan untuk representasi dan analisis
sinyal deskret[8]. Ada banyak sekali metode lossy compression
untuk citra, salah satunya yaitu transformasi wavelet yang juga
digunakan pada kompresi gambar standar seperti JPEG dan
JPEG2000[7]. Fungsi wavelet dapat didefinisikan dengan
Persamaan (2.5) dan (2.6).
𝐻𝑜: 𝑦(𝑛) =1
2𝑥(𝑛) +
1
2𝑥(𝑛 − 1) (2.5)
𝐻1: 𝑦(𝑛) =1
2𝑥(𝑛) −
1
2𝑥(𝑛 − 1) (2.6)
Page 45
23
Haar merupakan wavelet paling tua dan paling sederhana,
diperkenalkan oleh Alfred Haar pada tahun 1909. Haar menjadi
sumber ide bagi munculnya keluarga wavelet lainnya[1]. Haar
transform untuk kompresi dapat di terapkan pada citra grayscale
dan citra warna.
Haar Function Persamaan (2.7) dan koefisien haar
Persamaan (2.8) :
𝜑(𝑡) = {1, 0 ≤ 𝑡 < 0.5,
−1, 0.5 ≤ 𝑡 < 1. (2.7)
Dimana ℎ0 = (1√2
⁄ , 1√2
⁄ ) dan ℎ1 = (1√2
⁄ , − 1√2
⁄ )(2.8)
Adapun algoritma untuk kompresi citra digital
dengan wavelet adalah [1]:
1. Menentukan nilai LL, LH, HL, dan HH dari citra input
yang bkuran ¼ kali ukuran citra aslinya dengan cara
memasukkan koefisien seperti pada Persamaan 2.8 sesuai
dengan level dekomposisinya.
2. Proses kuantisasi atau menghilangkan koefisien yang
tidak dibuthkan
3. Menyimpan hasil kompresi.
2.7 Mean Square Error (MSE)
Mean Square Error merupakan salah satu parameter
untuk evaluasi kualitas dari citra yang di kompres[2]. Jika
nilai dari MSE kecil, maka kualitas dari citra yang
dikompress akan makin baik[2]. Fungsi MSE terdapat pada
Persamaan (2.9) berikut:
Page 46
24
24
𝑀𝑆𝐸 =1
𝑀𝑁∑ ∑ [𝑓(𝑥, 𝑦) − 𝑓′(𝑥, 𝑦)]2𝑁
𝑌=1𝑀𝑋=1 (2.9)
Dimana f(x,y) nerupakan citra input asli, f’(x,y) adalah citra
yang telah dikompress dan M,N adalah dimensi dari citra.
2.8 Peak Signal to Noise Ratio (PSNR)
PSNR merupakan rasio antara ukuran citra input dibagi
Mean Square Error (MSE) jika PSNR besar maka kualitas citra
akan meningkat [2]. Persamaan (2.10) PSNR adalah sebagai
berikut:
𝑃𝑆𝑁𝑅 = 10 log10 [𝑀𝑋𝑁
𝑀𝑆𝐸2] (2.10)
Dimana MxN merupakan ukuran dari citra input.
2.9 Compression Ratio (CR)
Compression Ratio merupakan parameter yang sangat
berguna untuk kompresi citra[2]. Dengan CR maka dapat
ditentukan rasio antara ukuran gambar yang tidak dikompres
dengan yang telah dikompres[2]. Fungsi CR dapat dilihat
pada Persamaan (2.11) berikut:
𝐶𝑅 =𝑈𝑁𝐶𝑂𝑀𝑃𝑅𝐸𝑆𝑆𝐸𝐷 𝐼𝑀𝐴𝐺𝐸 𝑆𝐼𝑍𝐸
𝐶𝑂𝑀𝑃𝑅𝐸𝑆𝑆𝐸𝐷 𝐼𝑀𝐴𝐺𝐸 𝑆𝐼𝑍𝐸 (2.11)
Page 47
25
2.10 Bits Per Pixel (BPP)
Bits Per Pixel Ratio merepresentasikan banyaknya
bits yang disimpan dalam satu pixel dari citra input[2].
Fungsi BPP dapat dilihat pada Persamaan (2.12) berikut:
𝐵𝑃𝑃 =𝑆𝐼𝑍𝐸 𝑂𝐹 𝐶𝑂𝑀𝑃𝑅𝐸𝑆𝑆𝐸𝐷 𝐹𝐼𝐿𝐸
𝑇𝑂𝑇𝐴𝐿 𝑁𝑂 𝑂𝐹 𝑃𝐼𝑋𝐸𝐿 𝐼𝑁 𝑇𝐻𝐸 𝐼𝑀𝐴𝐺𝐸 (2.12)
Page 48
26
26
[Halaman ini sengaja dikosongkan]
Page 49
27
BAB III
PERANCANGAN SISTEM
Bab ini menjelaskan tentang perancangan dan
pembuatan sistem perangkat lunak. Sistem perangkat lunak
yang dibuat pada Tugas Akhir ini adalah mengkompresi data
citra masukan dengan metode kompresi citra lossy Wavelet dan
Fractal yang selanjutnya akan dilakukan pembandingan
terhadap hasil kompresi kedua metode tersebut dari beberapa
aspek yaitu ukuran file, waktu kompresi dan hasil citra setelah
dikompresi. Pada bab ini pula akan dijelaskan gambaran umum
sistem dalam bentuk flowchart.
3.1 Data
Pada sub bab ini akan dijelaskan mengenai data yang
digunakan sebagai masukan perangkat lunak untuk selanjutnya
diolah dan dilakukan pembandingan sehingga menghasilkan
data keluaran yang diharapkan.
3.1.1 Data Masukan
Data masukan adalah data yang digunakan sebagai
masukan awal dari sistem. Data masukan yang digunakan
dalam studi kerja kompresi citra digital dengan metode wavelet
dan fractal adalah citra digital *.bmp grayscale dan Warna
(RGB) dengan ukuran maksimal 512 x 512 pixel. Contoh data
awal yang digunakan pada Tugas Akhir ini terdapat pada
Gambar 3.1.
Page 50
28
Gambar 3.1 Contoh Citra Masukan
3.1.2 Data Keluaran
Data masukan yang telah dikompresi akan ditampilkan
untuk dibandingkan dengan data masukan. Selanjutnya,
program yang dikembangkan akan menampilkan informasi
hasil kompresi dari citra awal berupa ukuran file dan lama
waktu kompresi.
3.2 Desain Umum Sistem
Rancangan bangun perangkat lunak yang akan dibuat
untuk studi kerja pemampatan (kompresi) citra digiital dengan
metode wavelet dan Fractal. Proses pertama yang dilakukan
yaitu melakukan kompresi citra masukan dengan metode
Wavelet dan Fractal secara bersama – sama, proses kompresi
citra bertujuan untuk mendapatkan ukuran citra hasil kompresi
dan waktu yang dibutuhkan untuk melakukan masing-masing
kompresi citra. Selanjutnya setelah proses kompresi telah
selesai dilakukan program akan menampilkan kemmbali citra
hasil dari masing – masing proses kompresi Wavelet dan Fractal
yang bertujuan untuk melihat perbandingan kualitas citra
sebelum dan setelah dikompresi. Gambar 3.2 menunjukan alur
proses secara umum pada tugas akhir ini.
Page 51
29
Gambar 3.2 Diagram Proses Program
3.2.1 Kompresi Citra dengan Metode Wavelet
Wavelet dapat diartikan sebagai gelombang singkat.
Transformasi Wavelet akan menkonversi suatu sinyal ke dalam
sederet wavelet. Wavelet merupakan metode untuk tranformasi
sinyal sehingga mampu memberikan informasi frekuensi yang
Page 52
30
muncul tentang skala atau durasi atau waktu[1]. Ada banyak
sekali metode lossy compression untuk citra, salah satunya yaitu
transformasi wavelet yang juga digunakan pada kompresi
gambar standar seperti JPEG dan JPEG2000[7]. Transformasi
wavelet menggunakan dua komponen penting dalam
melakukan transformasi yakni fungsi skala (scaling function)
dan fungsi wavelet (wavelet function). Fungsi skala (scaling
function) disebut juga sebagai Lowpass Filter, sedangkan
fungsi wavelet (wavelet function) disebut juga sebagai
Highpass Filter. Tahapan diatas desebut juga dengan proses
dekomposisi. Hasil dekomposisi digunakan pada saat
transformasi wavelet dan inverse transformasi wavelet. Proses
dekomposisi dengan metode wavelet ditunjukan pada Gambar
3.3 dan 3.5.
Gambar 3.3 (a) Dekomposisi level 1, (b)Dekomposisi level 2,
(c) Dekomposisi level 3
Gambar 3.4 Proses pengkodean (a) citra asli, (b) perhitungan
baris, (c) perhitungan kolom
Page 53
31
Gambar 3.5 (a) Dekomposisi level 1, (b)Dekomposisi level 2,
(c) Dekomposisi level 3[1]
Pada Gambar 3.4 menunjukan proses pertama dari
kompresi wavelet yaitu pengkodean dengan koefisien haar.
Sebagai contoh Gambar 3.4 (a) merupakan citra yang memilii
nilai pixel seperti pada gambar. Gambar 3.4 (b) diperoleh dari :
- Baris 1 : [(10+10)/2 (20+20)/2 (10-10)/2 (20-20)/2] = [10 20 0 0]
- Baris 2 : [(10+10)/2 (10+10)/2 (10-10)/2 (10-10)/2] = [10 10 0 0]
Page 54
32
- Baris 3 : [(50+50)/2 (30+30)/2 (50-50)/2 (30-30)/2] = [50 30 0 0]
- Baris 4 : [(50+50)/2 (30+30)/2 (50-50)/2 (30-30)/2] = [50 30 0 0]
Gambar 3.4 (c) diperoleh dari proses perataan dan
pengurangan dari Gambar 3.5 (b):
- Kolom 1 : [(10+10)/2 (50+50)/2 (10-10)/2 (50-50)/2] = [10 50 0 0]
- Kolom 2 : [(20+10)/2 (30+30)/2 (20-10)/2 (30-30)/2] = [15 30 5 0]
- Kolom 3 : [(0+0)/2 (0+0)/2 (0-0)/2 (0-0)/2] = [0 0 0 0]
- Kolom 4 : [(0+0)/2 (0+0)/2 (0-0)/2 (0-0)/2] = [0 0 0 0]
Seluruh proses dalam satu level dekomposisi akan
membagi menjadi dua bentuk sinyal yang disebut
approximation coefficient dari hasil lowpass filter dan detail
coefficient hasil highpass filter. LL atau lowpass low disebut
juga sebagai approximation coefficient, HL atau Highpass Low
disebut juga sebagai detil horizontal, LH atau Lowpass Low
disebuat juga sebagai detil vertical, HH atau Highpass High
disebut juga sebagai detil diagonal. Sebagai contoh dari Gambar
3.4 (c) hasil Aproksimasi atau LLnya adalah ( [10 50 0 0]; [10 10
0 0]). Selanjutnya yaitu kuantisasi, hasil transformasi (selain
komponen aproksimasi) dilakukan proses kuantisasi. Tujuan
dari proses ini adalah mengurangi variasi data pada komponen
hasil transformasi selain approksimasi. Pada Tugas Akhir kali
ini terdapat 2 macam proses kuantisasi, yaitu menghilangkan
seluruh parameter selain LL (Aproximasi) atau dengan kata lain
koefisien lainnya dianggap bernilai 0, dan proses 1nlainnya
yaitu menghilangkan atau menganggap 0 nilai pixel apabila
nilai pixel lebih kecil dari 20. Proses terakhir yaitu
penyimpanan hasil transformasi. Untuk citra berwarna (color)
proses wavelet mulai dari pengkodean hingga kuantisasi
dilakukan 3x yaitu untuk masing masing channel Red Green
Blue (RGB) Gambaran proses kompresi wavelet terlihat pada
Gambar 3.6.
Page 55
33
Gambar 3.6 Flowchart Kompresi Wavelet
Page 56
34
3.2.2 Dekompresi Citra dengan Metode Wavelet
Gambar 3.7 Flowchart Dekompresi Wavelet
Algoritma dekompresi wavelet seperti yang ditunjukan
pada Gambar 3.7 dapat dijelaskan sebagai berikut [1]:
1. Membaca data data atau file terkompres yang disimpan.
2. Langkah pertama dalam proses dekompresi yaitu
melakukan dekuantisasi (kuantisasi balik) untuk
mengembalikan data yang sebelumnya di kuantisasi
saat proses kompresi. Proses ini akan mengembalikan
Page 57
35
nilai komponen-komponen detail vertikal (HL),
horizontal (LH), dan diagonal (HH).
3. Menggabungkan seluruh komponen hasil tahap 2
dengan komponen aproksimasi.
4. Melakukan transformasi balik (Invers Wavelet)
terhadap komponen komponen hasil tahap 3.
5. Proses terakhir adalah menyimpan seluruh hasil invers
sebagai citra output yang bersifat lossy.
3.2.3 Kompresi Citra dengan Metode Fractal
Fraktal adalah obyek yang memiliki kemiripan dirinya-
sendiri (self-similarity) namun dalam skala yang berbeda. Ini
artinya, bagian-bagian dari obyek akan tampak sama dengan
obyek itu sendiri bila dilihat secara keseluruhan. Gambaran
kompresi fraktal ditampilkan pada Gambar 3.10.
Langkah pertama yang dilakukan dalam proses
kompresi adalah membagi citra asli (Gambar 3.8) menjadi dua
blok yaitu blok jelajah (range) dan blok domain (ranah).
Selanjutnya dilakukan pembentukan sejumlah blok yang
berukuran sama dan tidak saling beririsan dari citra asli, yang
disebut blok jelajah (range). Untuk menyederhanakan masalah,
blok jelajah diambil berbentuk bujursangkar. Pada tugas akhir
ini blok range yang dibuat berukuran 8x8. Selanjutnya dibuat
sejumlah blok berukuran sama yang lebih besar dibanding blok
range namun dapat beririsan satu sama lain, blok blok tersebut
disebiut sebagai blok domain, pada tugas akhir ini ukuran blok
domain yang digunakan yaitu 16 x 16.
Langkah selanjutnya yaitu mencari pasasangan dari
kedua blok ini (Gambar 3.9) dengan menghitung nilai
kemiripan untuk setiap blok range ke setiap blok domain. Untuk
menghitung kemiripan antaradua buah blok matrix digunakan
rumus rms(root mean square). Untuk setiap blok domain
sebelum dilakukan perhitungan rms, dilakukan penskalaan
yaitu menghitung rata rata nilai pixel untuk setiap 2x2 blok pada
Page 58
36
blok domain sebagai nilai 1 pixel sehingga ukuran blok domain
hasil penskalaan sama dengan ukuran blok range.
Gambar 3.8 Contoh matrix dari citra asli
Gambar 3.9 Ilustrasi pencarian nilai pasangan blok range dan
blok domain
Page 59
37
Gambar 3.10 Flowchart Kompresi Fraktal
Page 60
38
Pada kompresi fraktal proses terlama adalah saat uji
kemirikan, karena untuk setiap range blok dharus di hitung
drmsnya dengan setiap domain blok. Sebagai contoh citra 512x
512 memiliki 4,096 blok range (brukuran 8x8) dan 247,009
blok domain (berukuran 16x16 beririsan), yang artinya ada
4,096x247,009 = 1,011,748,864 pasangan blok domain dan
range domain yang akan dihitung drmsnya, oleh karena itu
proses ini memerlukan waktu yang sangat lama. Langkah
terakhir yaitu menyimpan koefisien transformasi affine sebagai
PIFS untuk setiap blok domain yang menjadi pasangan dari
range blok sebagai file terkompres. Parameter yang disimpan
yaitu si, oi, ei, fi dimana Parameter si menyatakan faktor kontras
pixel (seperti tombol kontras di TV). Bila si bernilai 0, maka
pixel menjadi gelap, bila si sama dengan 1 kontrasnya tidak
berubah; antara 0 dan 1 pixel berkurang kontrasnya, di atas 1
kontrasnya bertambah. Parameter oi menyatakan ofset
kecerahan (brightness) pixel (seperti tombol kecerahan di TV).
Nilai oi positif mencerahkan gambar dan nilai oi negatif
menjadikannya gelap. Parameter ei dan fi mudah dihitung
karena keduanya menyatakan pergeseran sudut kiri blok ranah
ke sudut kiri blok jelajah yang bersesuaian.
Rekonstruksi (decoding) citra dilakukan dengan
merekonstruksi dari citra awal sembarang. Selama proses
pemulihan, setiap IFS lokal mentransformasikan sekumpulan
blok ranah menjadi sekumpulan blok jelajah. Karena blok
jelajah tidak saling beririsan dan mencakup keseluruhan pixel
citra, maka gabungan seluruh blok jelajah menghasilkan citra
titik tetap yang menyerupai citra semula.
3.2.4 Dekompresi Citra dengan Metode Fractal
Proses rekonstruksi fraktal ditunjukan pada Gambar
3.11. Adapun algoritma untuk dekompresi kompresi citra
digital dengan fraktal adalah [5] :
1. Membaca parameter PIFS yang tersimpan sebagai file
terkompres.
Page 61
39
2. Membaca citra sembarang (Citra lainnya) yang
memiliki ukuran sama dengan citra inputnya.
3. Pada file citra lainnya dilakukan proses pembentukan
Range blok berukuran 8x8 tak beririsan.
4. Langkah selanjutnya yaitu pembentukan ulang citra
dengan menggunakan transformasi affine pada seluruh
Range blok.
5. Hasil transformasi merupakan citra output program
yang bersifat lossy.
Gambar 3.11 Flowchart Dekompresi Fraktal
Page 62
40
[Halaman ini sengaja dikosongkan]
Page 63
41
BAB IV
IMPLEMENTASI
Pada bab ini akan dibahas mengenai implementasi dari
perancangan yang sudah dilakukan pada bab sebelumnya.
Implementasi berupa kode sumber untuk membangun program.
Sebelum masuk ke penjelasan implementasi, akan ditunjukkan
terlebih dahulu lingkungan untuk melakukan implementasi.
4.1 Lingkungan Implementasi
Implementasi Studi Kerja Metode Lossy Compression
Pada Citra Medis Menggunakan Algoritma Kompresi Berbasis
Fraktal dan Wavelet menggunakan spesifikasi perangkat keras
dan perangkat lunak seperti yang ditunjukkan pada Tabel 4.1.
Tabel 4.1 Spesifikasi lingkungan implementasi
Perangkat Jenis Perangkat Spesifikasi
Perangkat
Keras
Prosesor Intel(R) Core(TM) i3-3240 CPU
@ 3.40GHz 3.40 GHz
Memori 8 GB 1600
Perangkat
Lunak
Sistem Operasi Windows 8.1 Pro
Perangkat
Pengembang MATLAB R2014a
4.2 Implementasi
Pada sub bab implementasi akan menjelaskan bagaimana
pembangunan perangkat lunak secara detail dan menampilkan
hasil kompresi dengan Wavelet dan Fractal. Seperti yang telah
dijelaskan pada bab perancangan sistem, bahwa hal yang
dilakukan dalam Implementasi Studi Kerja Metode Lossy
Page 64
42
Compression Pada Citra Medis Menggunakan Algoritma
Kompresi Berbasis Fraktal dan Wavelet adalah melakukan
pengkompresian citra dengan metode Fractal dan Wavelet.
4.2.1 Kompresi dan Dekompresi Citra dengan Fractal
Kompresi Fractal akan mengkompresi file berformat
*.bmp. Proses dimulai dengan menentukan jenis image
masukan apakah berupa image grayscale atau citra warna
(RGB). Jika image inputan diketahui berupa image grayscale
maka program akan langsung membagi pixel-pixel pada image
tersebut menjadi dua blok, yaitu blok domain dan blok range.
Dalam hal ini blok range dibuat berukuran 8 x 8 dan karena
blok domain harus dua kali blok range maka blok domain
dibuat berukuran 16 x 16. Pembagian image masukan kedalam
blok – blok domain dan range dapat dilihat pada kode sumber
4.1 dan 4.2 dengan menggunakan bahasa pemrograman Matlab.
1 image = imread('CitraMedisGray1.bmp'); 2 IG_d = double(image); 3 % Membuat blok 8x8 pada Range block
4 szM = size(IG_d); 5 nb = szM ./ bs; % Banyaknya block tiap dimensi 6 Range=mat2cell(IG_d,repmat(bs(1),1,nb(1)), 7 repmat(bs(2),1,nb(2)));
8 C2 = cellfun(@(x) min(x(:)), Range, 'un', 0); 9
M2 = cell2mat(C2);
Kode Sumber 4.1 Proses pembagian Blok Range
Page 65
43
1
2
% Membuat 16x16 blok beririsan untuk Domain
block 3 for i=1:bar-15 4 for j=1:kol-15 5 thresholded = zeros(16,16); 6 for k=1:16 7 for l=1:16 8 thresholded(k,l)=IG_d(i+k-1, 9 j+l-1);
10 end 11 end 12 IG_outd{i,j}= thresholded; 13 end 14 end
Kode Sumber 4.2 Proses pembagian Blok Domain
Sebelum proses pencarian kemiripan dimulai, setiap
blok domain diskalakan sehingga ukurannya sama dengan
ukuran blok range. Penskalaan ini dimaksudkan agar jarak
antara blok range dan blok domain mudah dihitung. Penskalaan
dilakukan dengan menjadikan 22 buah pixel menjadi satu buah
pixel. Nilai satu buah pixel tersebut adalah rata-rata nilai
keempat pixel seperti yang terlihat pada kode sumber 4.3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
function [IG_out] = downsampling(image) %menggunakan treshold 2x2 IG_d = double(image); [bar,kol] = size(IG_d); IG_out = double(zeros(bar/2, kol/2)); for i=1:2:bar-1 for j=1:2:kol-1 thresholded = zeros(2,2); for k=1:2 for l=1:2 thresholded(k,l)=IG_d(i+k-1,
j+l-1); end end
Page 66
44
15
16
17
18
IG_out((i+1)/2,j+1)/2)=
mean2(thresholded); end end
Kode Sumber 4.3 Penskalaan Blok Domain
Dengan menggunakan RMS kemudian dicari
kemiripan antara blok range dan blok domain yang sudah
diskalakan menjadi ½ ukuran blok domain semula, setelah
diperoleh drms dari masing – masing blok domain terhadap
blok range, kemudian dipilih nilai drms yang terkecil yang
menandakan persentase kemiripan yang terbesar. Pencarian
kemiripan antara blok range dan blok domain dapat dilihat pada
Kode Sumber 4.4.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
function [drms] = rms(range,domain) %Menghitung rms untuk antara range dan domain [size1,size2] = size(domain); numberOfPixels = size1*size2; temp_mutlak = 0; temp_mutlak2 = 0; mutlak = 0; rmsmax = 0; for i=1:size1 for j=1:size2 temp_mutlak = range(i,j)-domain(i,j); temp_mutlak2 = temp_mutlak^2; mutlak = mutlak + temp_mutlak2; end end drms = sqrt((1/numberOfPixels) * mutlak); end
Kode Sumber 4.4 Pencarian Kemiripan antara Blok Range
dan Blok Domain
Blok yang terpilih akan diproses menggunakan
Transformas Affine antara blok range dan blok domain yang
terpilih untuk memperoleh nilai yang akan disimpan dalam
Page 67
45
koefisien PIFS (si, oi, ei dan fi) seperti terlihat pada Kode
Sumber 4.5.
1 %Menyimpan parameter PIFS 2 for i=1:bar_range 3 for j=1:kol_range 4
5
[s,o]=brighcont(Range{i,j},
domain_poll{i,j}); 5
6
Index = index_poll{i,j};
7 e = Index(1,1); 8
9
f = Index(1,2);
10 affine_param{i,j} = [e f s o]; 11 end 12 end
Kode Sumber 4.5 Transformasi Affine blok range dan blok
domain
Selanjutnya untuk proses dekompresi dilakukan
dengan cara membentuk kembali citra dengan menggunakan
parameter PIFS yang ada, parameter tersebut dimasukan ke
dalam persamaan transformasi affine untuk tiap tiap reng blok
untuk mengembalikan nilai pixel citra semula. Proses
dekompresi dapat di lihat pada Kode Sumber 4.6.
1 for i=1:bar 2 for j=1:kol 3 N=(C{i,j}); 4 param=cell2mat(N(:)); 5 M=double(domain_new{i,j}); 6 e=param(1,1); 7 f=param(2,1); 8 s=param(3,1); 9 o=param(4,1); 10 T=[0.5, 0.5, 0;0, 0.5, 0;0, 0, s]; 11 for k=1:8 12 for l=1:8
Page 68
46
13 xyz=[k;l;M(k,l)]; 14 efo=[e;f;o]; 15 W=(T*xyz)+efo; 16 pixel=W(3,1); 17 temp(k,l)=pixel; 18 end 19 end 20 tampung{i,j} = temp; 21 end 22 end
Kode Sumber 4.6 Proses Dekompresi Algorima Fraktal
4.2.2 Kompresi dan Dekompresi Citra dengan Wavelet
Proses dimulai dengan menentukan jenis image masukan
apakah berupa image grayscale atau citra warna (RGB). Jika
image inputan diketahui berupa image color maka program
akan melakukan penghitungan pada 3 layer, yaitu layer Red,
layer Green, dan Layer Blue. Pada masing masing layer RGB
akan dicari koefisien Aproximate atau LL, Detail Vertikal atau
HL, Detail Horizontal atau LH, dan Detail Diagonal atau HH.
Pencarian koefisien A, DV, DH, dan DD ditunjukan pada kode
sumber 4.7 dengan menggunakan bahasa pemrograman Matlab.
1
2
3
4
5
6
7
8
9
%Menhitung koefisien A,DH DV,DD untuk setiap
chanel RGB [xar, xhr, xvr, xdr] = dwt2(X(:,:,1),'haar'); [xag, xhg, xvg, xdg] = dwt2(X(:,:,2),'haar'); [xab, xhb, xvb, xdb] = dwt2(X(:,:,3),'haar'); xa(:,:,1)=xar; xa(:,:,2)=xag; xa(:,:,3)= xab; xh(:,:,1)=xhr; xh(:,:,2)=xhg; xh(:,:,3)= xhb; xv(:,:,1)=xvr; xv(:,:,2)=xvg; xv(:,:,3)= xvb; xd(:,:,1)=xdr; xd(:,:,2)=xdg; xd(:,:,3)= xdb;
Kode Sumber 4.7 Menghitung nilai A,DH DV,DD untuk
setiap chanel RGB
Proses selanjutnya yaitu kuantisasi, kuantisasi
merupakan proses pengurangan komponen komponen selain
aproximasi. Kode sumber 4.8 menunjukan kuantisasi dan
Page 69
47
pembentukan matrix baru sebagai pengganti nilai detail
horizontal, vertikal, dan diagonal yang keseluruhannya
dianggap 0.
1
2
3
4
%kuantisasi
LH = zeros(size(xh));
HL = zeros(size(xv));
HH = zeros(size(xd));
Kode Sumber 4.8 Kuantisasi nilai xh, xv, xd.
Kode sumber 4.9 menunjukan kuantisasi dan
pembentukan matrix baru sebagai pengganti nilai detail
horizontal, vertikal, dan diagonal yang memiliki nilai lebih
kecil dari 20 dianggap 0. 1 function [kuantisasi] = quantize(detail) 2 [size1,size2] = size(detail); 3 threshold = 0; 4 temp = 0; 5 k=1; 6 for i=1:size1 7 for j=1:size2 8 threshold = detail(i,j); 9 if threshold >=2 10 temp(k,1)= threshold; 11 temp(k,2) = i; 12 temp(k,3) = j; 13 k= k+1; 14 end 15 end 16 end 17 kuantisasi = temp; 18 end
Kode Sumber 4.9 Kuantisasi dengan nilai treshold minimal 20.
Tahap terakhir yaitu penyimpanan parameter
Aproksimasi serta index dan nilai pixel threshold sebagai file
terkompres.
Page 70
48
Untuk proses dekompresi citra dengan algoritma wavelet
seperti pada Kode sumber 4.10 yaitu dimulai dari proses
dekuantisasi atau kuantisasi balik, dengan mengembalikan
parameter detail ( LH, HL dan HH).
1 Function [dekuantisasi]=dequantize(detail,aprox) 2 [size1,size2] = size(aprox); 3 [bar,kol] = size(detail); 4 temp = zeros(size1,size2); 5 for i=1:bar 6 x=detail(i,2); 7 y=detail(i,3); 8 temp(x,y) = detail(i,1); 9 end 10 dekuantisasi = temp; 11 end
Kode Sumber 4.10 Proses Dekuantisasi.
Tahap terakhir yaitu pembentukan kembali citra dengan
invers wavelet. Yaitu menggunakan koefisien aproksimasi
beserta detailnya (LH, HL, dan HH) ditunjukan pada Kode
sumber 4.11.
1
2
3
4
5
6
7
8
9
10
11
12
[THR, SORH,KEEPAPP]= ddencmp('cmp','wv',X);
komp_horizontal = wdencmp('gbl', xLH,wname,
1, THR, SORH, KEEPAPP); komp_vertical = wdencmp('gbl', xHL,wname, 1,
THR, SORH, KEEPAPP); komp_diagonal = wdencmp('gbl', xHH,wname, 1,
THR, SORH, KEEPAPP); rekonstruksi_citra = idwt2(Aproximasi,
komp_horizontal, komp_vertical,
komp_diagonal, wname, size(X)); citra_terkompres = uint8(rekonstruksi_citra);
Kode Sumber 4.11 Pembentukan citra dari file terkompres.
Page 71
49
BAB V
UJI COBA DAN EVALUASI
Pada Bab ini akan dijelaskan mengenai skenario uji coba
pada perangkat lunak yang telah dibangun. Setelah itu, hasil uji
coba akan dianalisa kinerjanya sehingga dapat diketahui
kriteria , kelebihan dan kekurangan dari Kompresi citra dengan
Fractal dan Wavelet. Secara garis besar, bab ini berisikan
pembahasan mengenai lingkungan pengujian, data pengujian,
dan uji kinerja.
5.1 Lingkungan Pengujian
Lingkungan pengujian pada Studi Kerja Metode Lossy
Compression Pada Citra Medis Menggunakan Algoritma
Kompresi Berbasis Fraktal dan Wavelet menggunakan
spesifikasi perangkat keras dan perangkat lunak seperti yang
ditunjukkan pada Tabel 5.1.
Tabel 5.1 Spesifikasi Lingkungan Uji Coba
Perangkat Jenis Perangkat Spesifikasi
Perangkat
Keras
Prosesor Prosesor: Intel® Core™ i3-3240
CPU @ 3.40 GHz
Memori 8 GB 1600
Perangkat
Lunak
Sistem Operasi Windows 8.1 Pro
Perangkat
Pengembang MATLAB R2014a
Page 72
50
5.2 Data Pengujian
Seperti yang telah dijelaskan sebelumnya, data yang
digunakan pada Tugas Akhir ini adalah data citra Medis. Pada
Tugas Akhir ini, data awalan adalah data image yang diambil
dari data storage. Sedangkan untuk skenario uji coba, dataset
akan dibagi menjadi 2 data yang berbeda yaitu:
1. Dataset 1 merupakan data image grayscale yang terdiri
dari 5 image.
2. Dataset 2 merupakan data image Warna (RGB) yang
terdiri dari 5 image.
Data awalan ini kemudian akan masuk ke proses
Kompresi citra dengan Fractal dan Wavelet. Selanjutnya citra
hasil kompresi akan dibandingkan dengan citra aslinya,
sehingga dapat diperoleh perbandingan hasil citra asli dengan
citra hasil kompresi Fractal dan Wavelet
(a) (b)
(c)
Gambar 5.1 Gambaran hasil proses kompresi Wavelet
Page 73
51
(a) (b)
(c)
Gambar 5.2 Gambaran hasil proses kompresi Fraktal
5.3 Skenario Uji Coba
Sebelum melakukan uji coba, perlu ditentukan skenario
yang akan digunakan dalam uji coba. Melalui skenario uji coba
ini, akan dianalisa hasil kompresi setiap image terhadap metode
Kompresi Fraktal dan Wavelet, bagaimana kualitas hasil
kompresi pada masing-masing metode Kompresi disetiap
skenario dan perbandingan performa antara metode Kompresi
Fraktal dan Wavelet yang memiliki hasil paling baik. Pada
percobaan kali ini akan digunakan beberapa level wavelet yaitu
Level 1, Level 2, dan Level 3. Pada Tugas Akhir ini, terdapat
berbagai macam skenario uji coba, yaitu:
Page 74
52
1. Kompresi citra grayscale dengan 3 data masukan citra
medis.
2. Kompresi citra grayscale dengan data masukan citra
Lena.
3. Kompresi citra grayscale dengan data masukan citra
Baboon.
4. Kompresi citra warna (RGB) dengan 3 data masukan citra
medis.
5. Kompresi citra warna (RGB) dengan data masukan citra
Lena.
6. Kompresi citra warna (RGB) dengan data masukan citra
Baboon.
7. Kompresi dan PSNR dengan format PNG, JPG, dan GIF.
5.3.1 Skenario Uji Coba Kompresi citra grayscale
dengan data masukan citra medis.
Pada skenario uji coba yang pertama, data masukan
yang digunakan adalah citra medis grayscale berukuran 512 x
512 pixel. Citra medis input selanjutnya diproses dengan
menggunakan metode kompresi wavelet dan fraktal. Hasil uji
coba kompresi dengan metode wavelet dan fraktal dapat dilihat
pada tabel 5.2 dan 5.3.
Tabel 5.2 Hasil kompresi citra medis dengan Wavelet
Jenis Kompresi
Wavelet LV1
Wavelet LV2
Wavelet LV3
Wavelet LV1
Thres
Wavelet LV2
Thres
Wavelet LV3
Thres
Nama File (.bmp)
GrayMed
isDataset
1
GrayMedisDataset1
GrayMed
isDataset
1
GrayMedisDataset1
GrayMed
isDataset
1
GrayMedisDataset1
Size Awal (KB) 263.22 263.22 263.22 263.22 263.22 263.22
Time(s) 0.261 0.348 0.116 0.292 0.090 0.30
MSE 85.28 299.4 672.74 56.93 198.84 362.88
Size Akhir(KB) 149.82 42.42 12.01 212.45 106.16 95.32
PSNR 28.82 23.36 19.85 30.57 25.14 22.53
CR 1.75 6.2 21.9 1.23 2.48 2.76
BPP (*10^4) 5.71 1.61 45.85 8.16 4.05 3.63
Page 75
53
Tabel 5.3 Hasil kompresi citra medis dengan Fraktal
No Nama File (.bmp)
Size Awal (KB)
Fraktal
Time (s)
MSE Size Akhir (KB)
PSNR CR BPP (*10^-4)
1 GrayMedisDataset1
258 6836.1 132.10 105 21.14 2.45 4.06
2 GrayMedisDataset2
258 6906.2 133.11 105 21.14 2.45 4.06
3 GrayMedisDataset3
258 6930.9 128.7 104 21.28 2.48 4.08
Gambar berikut merupakan citra hasil kompresi dengan
metode fraktal dan wavelet. Hasil kompresi citra wavelet dan
fraktal dapat dilihan pada Gambar 5.3 dan Gambar 5.4.
a. Citra asli b. Hasil kompresi
Gambar 5.3 Hasil Kompresi Citra Grayscale Medis dengan
Wavelet
Page 76
54
a. Citra asli b. Hasil kompresi
Gambar 5.4 Hasil Kompresi Citra Grayscale Medis dengan
Fraktal
5.3.2 Skenario Uji Coba Kompresi citra grayscale
dengan data masukan citra Lena.
Pada skenario uji coba yang kedua, data masukan
yang digunakan adalah citra Lena grayscale berukuran 512 x
512 pixel. Citra input selanjutnya diproses dengan
menggunakan metode kompresi wavelet dan fraktal. Hasil uji
coba kompresi dengan metode wavelet dan fraktal dapat dilihat
pada tabel 5.4 dan 5.5.
Tabel 5.4 Hasil kompresi citra Lena dengan Wavelet
Jenis Kompresi
Wavelet LV1
Wavelet LV2
Wavelet LV3
Wavelet LV1
Thres
Wavelet LV2
Thres
Wavelet LV3
Thres
Nama File (.bmp) GrayLena GrayLena GrayLena GrayLena GrayLena GrayLena
Size Awal (KB) 263.22 263.22 263.22 263.22 263.22 263.22
Time(s) 0.2615 0.1756 0.1333 0.279 0.170 0.058
MSE 45.51 132.17 279.72 30.16 74.40 144.05
Page 77
55
Tabel 5.5 Hasil kompresi citra Lena dengan Fraktal
1. N
o
Nama File
(.bmp)
Size
Awal
(KB)
Fraktal
Time
(s)
MSE Size
Akhir (KB)
PSNR CR BPP (*10^-
4)
1 GrayLena 258 6924.9 122.51 105 22.62 2.45 4.01
Gambar berikut merupakan citra hasil kompresi dengan
metode fraktal dan wavelet. Hasil kompresi citra wavelet dan
fraktal dapat dilihan pada Gambar 5.5 dan Gambar 5.6.
a. Citra asli b. Hasil kompresi
Gambar 5.5 Hasil Kompresi Citra Grayscale Lena dengan
Wavelet
Size Akhir(KB) 140.05 40.97 11.63 152.76 68.87 49.85
PSNR 31.54 26.91 24.66 33.33 29.41 26.54
CR 1.87 6.42 22.61 1.72 3.82 5.28
BPP (*10^4) 5.43 1.56 44.39 5.82 2.62 1.90
Page 78
56
a. Citra asli b. Hasil kompresi
Gambar 5.6 Hasil Kompresi Citra Grayscale Lena dengan
Fraktal
5.3.3 Skenario Uji Coba Kompresi citra grayscale
dengan data masukan citra Baboon.
Pada skenario uji coba yang ketiga, data masukan yang
digunakan adalah citra Baboon grayscale berukuran 256 x 256
pixel. Citra input selanjutnya diproses dengan menggunakan
metode kompresi wavelet dan fraktal. Hasil uji coba kompresi
dengan metode wavelet dan fraktal dapat dilihat pada tabel 5.6
dan 5.7.
Tabel 5.6 Hasil kompresi citra Baboon dengan Wavelet
Jenis Kompresi Wavelet
LV1 Wavelet
LV2 Wavelet
LV3
Wavelet LV1
Thres
Wavelet LV2
Thres
Wavelet LV3
Thres
Nama File (.bmp)
Gray Babon
Gray Babon
Gray Babon
Gray Babon
Gray Babon
Gray Babon
Size Awal (KB)
66.09 66.09 66.09 66.09 66.09 66.09
Time(s) 1.325 0.024 0.039 0.10 0.11 0.04
MSE 97.5 147.96 190.70 67.96 102.12 122.14
Page 79
57
Size Akhir(KB) 35.43 10.31 3.00 44.38 24.30 19.91
PSNR 28.24 26.42 25.32 29.80 28.04 27.26
CR 1.86 6.40 22.00 1.49 2.71 3.31
BPP (*10^4) 5.40 1.57 0.45 6.77 3.70 3.03
Tabel 5.7 Hasil kompresi citra Baboon dengan Fraktal
1. No
Nama File
(.bmp)
Size Awal (KB)
Fraktal
Time (s)
MSE Size Akhir (KB)
PSNR CR BPP (*10^
-4)
1 Gray Baboon
65 421.34 131.10 29 21.17 2.24 4.49
Gambar berikut merupakan citra hasil kompresi dengan
metode fraktal dan wavelet. Hasil kompresi citra wavelet dan
fraktal dapat dilihan pada Gambar 5.7 dan Gambar 5.8.
a. Citra asli b. Hasil Kompresi
Gambar 5.7 Hasil Kompresi Citra Greyscale Baboon
dengan Wavelet
Page 80
58
a. Citra asli b. Hasil Kompresi
Gambar 5.8 Hasil Kompresi Citra Greyscale Baboon
dengan Fraktal
5.3.4 Skenario Uji Coba Kompresi citra color dengan
data masukan citra medis.
Pada skenario uji coba yang keempat, data masukan
yang digunakan adalah citra medis color berukuran 512 x 512.
Citra medis input selanjutnya diproses dengan menggunakan
metode kompresi wavelet dan fraktal. Hasil uji coba kompresi
dengan metode wavelet dan fraktal dapat dilihat pada tabel 5.8
dan 5.9.
Tabel 5.8 Hasil kompresi citra color medis dengan Wavelet
Jenis Kompresi Wavelet LV1
Wavelet LV2
Wavelet LV3
Wavelet LV1 Thres
Wavelet LV2 Thres
Wavelet LV3 Thres
Nama File (.bmp)
ColorMedisDataset1
ColorMedisDataset1
ColorMedisDataset1
ColorMedisDataset1
ColorMedisDataset1
ColorMedisDataset1
Size Awal (KB) 786.48 786.48 786.48 786.48 786.48 786.48
Time(s) 0.722 0.369 0.283 0.669 0.712 0.809
MSE 25.18 87.54 194.79 16.55 49.70 104.61
Size Akhir(KB) 434.37 124.19 35.06 499.51 283.36 247.01
PSNR 29.34 23.93 20.46 31.16 26.39 23.16
Page 81
59
Tabel 5.9 Hasil kompresi citra color medis dengan Fraktal
No Nama
File
(.bmp)
Size
Awal
(KB)
Fraktal
Time
(s)
MSE Size
Akhr
(KB)
PSNR CR BPP (*10^
-4)
1 ColorMe
disDatase
t1
769 27119.
98
128.43 315 22.01 2.52 4.01
2 ColorMedisDatase
t2
769 22160.87
134.09 313 21.19 2.54 3.98
3 ColorMedisDatase
t3
769 20637.79
131.21 312 21.09 2.55 3.96
Gambar berikut merupakan citra hasil kompresi dengan
metode fraktal dan wavelet. Hasil kompresi citra wavelet dan
fraktal dapat dilihan pada Gambar 5.9 dan Gambar 5.10.
a. Citra asli b. Hasil kompresi
Gambar 5.9 Hasil Kompresi Citra Color Medis dengan
Wavelet
CR 1.81 6.33 22.43 1.57 2.77 3.18
BPP (*10^4) 5.52 1.57 44.58 6.35 3.60 3.14
Page 82
60
a. Citra asli b. Hasil kompresi
Gambar 5.10 Hasil Kompresi Citra Color Medis dengan
Fraktal
5.3.5 Skenario Uji Coba Kompresi citra color dengan
data masukan citra Lena.
Pada skenario uji coba yang kelima, data masukan
yang digunakan adalah citra Lena color berukuran 512 x 512
pixel. Citra input selanjutnya diproses dengan menggunakan
metode kompresi wavelet dan fraktal. Hasil uji coba kompresi
dengan metode wavelet dan fraktal dapat dilihat pada tabel 5.10
dan 5.11.
Tabel 5.10 Hasil kompresi citra Lena dengan Wavelet
Jenis
Kompresi Wavele
t LV1 Wavele
t LV2 Wavele
t LV3 Wavele
t LV1 Thres
Wavelet LV2 Thres
Wavelet LV3 Thres
Nama File (.bmp)
ColorLena
ColorLena
ColorLena
ColorLena
ColorLena
ColorLena
Size Awal (KB) 196.66 196.66 196.66 196.66 196.66 196.66
Time(s) 0.27 0.102 0.096 2.37 0.24 0.22
MSE 25.3 70.33 147.30 14.60 37.6 144.05
Size Akhir(KB) 106.48 31.18 8.87 124.74 66.16 54.34
PSNR 29.22 24.80 21.76 31.55 27.6 24.75
CR 1.84 6.30 22.15 1.57 2.97 3.61
BPP (*10^4) 5.41 1.58 0.45 6.34 3.36 2.76
Page 83
61
Tabel 5.11 Hasil kompresi citra Lena dengan Fraktal
1. No
Nama File
(.bmp)
Size Awal
(KB)
Fraktal
Time (s) MSE Size Akhir
(KB)
PSNR CR BPP (*10^
-4)
1 ColorLena
193 2411.54 125,91 315 22,12 0.61 4,44
Gambar berikut merupakan citra hasil kompresi dengan
metode fraktal dan wavelet. Hasil kompresi citra wavelet dan
fraktal dapat dilihan pada Gambar 5.11 dan Gambar 5.12.
.
a. Citra asli b. Hasil kompresi
Gambar 5.11 Hasil Kompresi Citra Color Lena dengan
Metode Wavelet
a. Citra asli b. Hasil kompresi
Gambar 5.12 Hasil Kompresi Citra Color Lena dengan
Metode Fraktal
Page 84
62
5.3.6 Skenario Uji Coba Kompresi citra color dengan
data masukan citra Baboon.
Pada skenario uji coba yang keenam, data masukan
yang digunakan adalah citra Baboon color berukuran 256 x 256
pixel. Citra input selanjutnya diproses dengan menggunakan
metode kompresi wavelet dan fraktal. Hasil uji coba kompresi
dengan metode wavelet dan fraktal dapat dilihat pada tabel 5.12
dan 5.13.
Tabel 5.12 Hasil kompresi citra Baboon dengan Wavelet
Jenis Kompresi Wavelet
LV1 Wavelet
LV2 Wavelet
LV3
Wavelet LV1
Thres
Wavelet LV2
Thres
Wavelet LV3
Thres
Nama File (.bmp)
Color Baboon
Color Baboon
Color Baboon
Color Baboon
Color Baboon
Color Baboon
Size Awal (KB) 77.27 77.27 77.27 77.27 77.27 77.27
Time(s) 0.220 0.093 0.083 0.97 0.63 4.79
MSE 104.60 185.73 251.32 55.82 97.85 131.08
Size Akhir(KB) 460.93 128.991 35.36 692.10 491.94 452.93
PSNR 23.20 20.66 19.36 25.89 23.45 22.18
CR 0.16 0.59 2.18 0.11 0.15 0.17
BPP (*10^4) 5.86 1.64 0.45 8.8 6.25 5.75
Tabel 5.13 Hasil kompresi citra Baboon dengan Fraktal
1. No
Nama File
(.bmp)
Size Awal (KB)
Fraktal
Time (s) MSE Size Akhir (KB)
PSNR CR BPP (*10^-4)
1 ColorBaboon
76 1325.75 123,60 315 22,20 0,24 4.42
Page 85
63
Gambar berikut merupakan citra hasil kompresi dengan
metode fraktal dan wavelet. Hasil kompresi citra wavelet dan
fraktal dapat dilihan pada Gambar 5.13 dan Gambar 5.14.
a. Citra asli b. Hasil kompresi
Gambar 5.13 Hasil Kompresi Citra Color Baboon dengan
Wavelet
a. Citra asli b. Hasil kompresi
Gambar 5.14 Hasil Kompresi Citra Color Baboon dengan
Fraktal
Page 86
64
5.3.7 Skenario Uji Coba Kompresi dan PSNR dengan
format PNG, JPG, dan GIF.
Pada skenario uji coba yang ketujuh, data masukan
yang digunakan adalah seluruh dataset. Citra input selanjutnya
diproses dengan menyimpan kedalam bentuk PNG, JPG, dan
GIF. Hasil uji coba dapat dilihat pada tabel 5.14.
Tabel 5.14 Hasil penyimpanan citra dengan extensi PNG,
JPG , dan GIF
Gambar Size awal
( KB)
PNG JPG GIF
Size Akhir (KB) PSNR
Size Akhir (KB) PSNR
Size Akhir (KB) PSNR
GrayMedisDataset1 258 163 inf 50 37.76 278 inf
GrayMedisDataset2 258 157 inf 46 37.01 245 inf
GrayMedisDataset3 258 159 inf 46 36.47 245 inf
GrayLena 258 148 inf 32 37.8 259 inf
GrayBaboon 65 46 inf 13 31.96 66 inf
ColorMedisDataset1 769 469 inf 59 31.43 243 inf
ColorMedisDataset2 769 459 inf 54 30.70 205 inf
ColorMedisDataset3 769 466 inf 53 30.90 207 inf
ColorLena 193 113 inf 12 32.96 54 inf
ColorBaboon 76 588 inf 76 49.54 222 inf
5.4 Analisa Hasil Uji Coba
Secara umum, berkas citra hasil kompresi mempunyai
ukuran yang lebih kecil dari pada citra semula kecuali pada
beberapa gambar, Tabel 5.15 menunjukan perbandingan ukuran
Page 87
65
citra sebelum dan sesudah dimampatkan. Dari tabel 5.15 terlihat
bahwa Kompresi fraktal menghasilkan kompresi yang kecil dan
ukurannya relatif stabil karena ukuran kompresi fraktal
bergantung pada besarnya resolusi gambar, namun waktu yang
dibutuhkan untuk komputasi kompresi Fraktal jauh lebih lama
dibandingkan dengan kompresi wavelet. Hal ini terjadi
dikarenakan kompresi fraktal membutuhkan waktu yang lama
untuk mencocokan antara tiap tiap range blok dan domain blok.
Pada gambar dengan format penyimpanan PNG dan GIF tidak
dapat dilakukan perhitungan PSNR dikarenakan pada kedua file
format tersebut tidak ada nilai pixel yang diubah sehingga
PSNRnya bernilai infinite, sedangkan pada file dengan format
penyimpanan JPG dapat dilakukan perhitungan karena file
format tersebut melakukan kompresi terhadap gambar yang
disimpan dengan algoritma yang ada di dalamnya. Untuk
keseluruhan nilai PSNR dengan format penyimpanan file JPG
memiliki nilai yang lebih tinggi dibanding algoritma kompresi
fraktal dan wavelet dikarenakan extensi JPG memiliki beberapa
algoritma kompresi sehingga menjadikan nilai PSNRnya lebih
baik.
Selanjutnya pada kompresi Wavelet, Level dekomposisi
dan nilai threshold pada proses kuantisasi juga sangat
mempengaruhi hasil dari kompresi citra. Semakin tinggi level
dekomposisinya maka semakin kecil ukuran filenya, namun
nilai PSNRnya juga semakin kecil seperti pada tabel 5.15.
Untuk threshold, dapat dilihat seperti pada tabel 5.16, semakin
besar thresholdnya maka kompresinya akan semakin tinggi
namun nilai PSNRnya semakin berkurang (pada kasus ini level
dekomposisi wavelet yang digunakan yaitu LV1).
Pada kualitas citra hasil kompresi wavelet dan fraktal
(dilihat dari PSNR), kompresi Wavelet memiliki hasil yang
lebih baik dibanding fraktal. Untuk citra grayscale ataupun
color, kompresi wavelet lebih baik digunakan dibanding fraktal.
Perbandingan persentase kompresi dapat dilihat pada tabel
5.17 dan Gambar 5.15.
Page 88
66
Tabel 5.15 Perbandingan Ukuran Kompresi Citra
Gambar Size awal (KB)
Parameter Wavelet LV1
Wavelet LV2
Wavelet LV3
Wavelet LV1
Thres
Wavelet LV2
Thres
Wavelet LV3
Thres
Fractal PNG JPG GIF
GrayMedisDataset1 258
PSNR 28.82 23.36 19.85 30.57 25.14 22.53 21.14 inf 37.76 inf
Size (KB) 149.82 42.42 12.01 212.45 106.16 95.32 105 163 50 278
GrayMedisDataset2 258
PSNR 27.86 22.66 19.42 29.88 24.86 22.17 21.14 inf 37.01 inf
Size (KB) 140.07 41.56 11.94 209.87 110.29 96.85 105 157 46 245
GrayMedisDataset3 258
PSNR 28.91 23.97 20.88 30.7 26.01 23.65 21.28 inf 36.47 inf
Size (KB) 138.53 41.08 11.88 164.7 100.08 87.77 105 159 46 245
GrayLena 258
PSNR 31.54 26.91 24.66 33.33 29.41 26.54 22.62 inf 37.8 inf
Size (KB) 140.05 40.97 11.63 152.76 68.87 49.85 105 148 32 259
GrayBaboon 65
PSNR 28.24 26.42 25.32 29.80 28.04 27.26 21.17 inf 31.96 inf
Size (KB) 35.43 10.31 3.00 44.38 24.30 19.91 29 46 13 66
ColorMedisDataset1 769
PSNR 29.34 23.93 20.46 31.16 26.39 23.16 22.01 inf 31.43 inf
Size (KB) 434.37 124.19 35.06 499.51 283.36 247.01 315 469 59 243
ColorMedisDataset2 769
PSNR 28.08 22.94 19.78 30.11 25.52 22.53 21.19 inf 30.70 inf
Size (KB) 412.80 121.33 35.00 500.96 307.85 267.75 313 459 54 205
ColorMedisDataset3 769
PSNR 29.04 24.24 21.30 30.89 26.69 24.07 21.09 inf 30.90 inf
Size (KB) 405.63 120.27 34.65 479.13 282.49 242.96 312 466 53 207
ColorLena 193
PSNR 29.22 24.80 21.76 31.55 27.6 24.75 22,12 inf 32.96 inf
Size (KB) 106.48 31.18 8.87 124.74 66.16 54.34 315 113 12 54
ColorBaboon 76
PSNR 23.20 20.66 19.36 25.89 23.45 22.18 22,2 inf 49.54 inf
Size (KB) 460.93 128.991 35.36 692.10 491.94 452.93 315 588 76 222
Page 89
67
Tabel 5.16 Perbandingan Threshold pada Dekomposisi Wavelet LV1
Gambar Size
Awal (KB)
Treshold 2 Treshold 10 Treshold 20 Treshold 30 Treshold 50
PSNR Size Akhir (KB)
PSNR Size Akhir (KB)
PSNR Size Akhir (KB)
PSNR Size Akhir (KB)
PSNR Size Akhir (KB)
GrayMedisDataset1 258 23.97 20.88 30.7 26.01 23.65 28.91 23.97 20.88 30.7 26.01
GrayMedisDataset2 258 41.08 11.88 164.7 100.08 87.77 138.53 41.08 11.88 164.7 100.08
GrayMedisDataset3 258 23.97 20.88 30.7 26.01 23.65 28.91 23.97 20.88 30.7 26.01
GrayLena 258 41.08 11.88 164.7 100.08 87.77 138.53 41.08 11.88 164.7 100.08
GrayBaboon 65 23.97 20.88 30.7 26.01 23.65 28.91 23.97 20.88 30.7 26.01
ColorMedisDataset1 769 41.08 11.88 164.7 100.08 87.77 138.53 41.08 11.88 164.7 100.08
ColorMedisDataset2 769 23.97 20.88 30.7 26.01 23.65 28.91 23.97 20.88 30.7 26.01
ColorMedisDataset3 769 41.08 11.88 164.7 100.08 87.77 138.53 41.08 11.88 164.7 100.08
ColorLena 193 23.97 20.88 30.7 26.01 23.65 28.91 23.97 20.88 30.7 26.01
ColorBaboon 76 41.08 11.88 164.7 100.08 87.77 138.53 41.08 11.88 164.7 100.08
Page 90
68
Tabel 5.17 Perbandingan Persentase Rasio Kompresi
Gambar Size
awal (KB)
Parameter Wavelet LV1
Wavelet LV2
Wavelet LV3
Wavelet LV1
Thres
Wavelet LV2
Thres
Wavelet LV3 Thres
Fractal PNG JPG GIF
GrayMedisDataset1 258
Rasio (%) 41.93 83.56 95.34 17.66 58.85 63.05 59.30 36.82 80.62 -7.75
Size (KB) 149.82 42.42 12.01 212.45 106.16 95.32 105 163 50 278
GrayMedisDataset2 258
Rasio (%) 45.71 83.89 95.37 18.66 57.25 62.46 59.30 39.15 82.17 5.04
Size (KB) 140.07 41.56 11.94 209.87 110.29 96.85 105 157 46 245
GrayMedisDataset3 258
Rasio (%) 46.31 84.08 95.40 36.16 61.21 65.98 59.30 38.37 82.17 5.04
Size (KB) 138.53 41.08 11.88 164.7 100.08 87.77 105 159 46 245
GrayLena 258
Rasio (%) 45.72 84.12 95.49 40.79 73.31 80.68 59.30 42.64 87.60 -0.39
Size (KB) 140.05 40.97 11.63 152.76 68.87 49.85 105 148 32 259
GrayBaboon 65
Rasio (%) 45.49 84.14 95.38 31.72 62.62 69.37 55.38 29.23 80.00 -1.54
Size (KB) 35.43 10.31 3 44.38 24.3 19.91 29 46 13 66
ColorMedisDataset1 769
Rasio (%) 43.51 83.85 95.44 35.04 63.15 67.88 59.04 39.01 92.33 68.40
Size (KB) 434.37 124.19 35.06 499.51 283.36 247.01 315 469 59 243
ColorMedisDataset2 769
Rasio (%) 46.32 84.22 95.45 34.86 59.97 65.18 59.30 40.31 92.98 73.34
Size (KB) 412.8 121.33 35 500.96 307.85 267.75 313 459 54 205
ColorMedisDataset3 769
Rasio (%) 47.25 84.36 95.49 37.69 63.27 68.41 59.43 39.40 93.11 73.08
Size (KB) 405.63 120.27 34.65 479.13 282.49 242.96 312 466 53 207
ColorLena 193
Rasio (%) 44.83 83.84 95.40 35.37 65.72 71.84 -63.21 41.45 93.78 72.02
Size (KB) 106.48 31.18 8.87 124.74 66.16 54.34 315 113 12 54
ColorBaboon 76
Rasio (%) -506.49 -69.73 53.47 -810.66 -547.29 -495.96 -314.47 -673.68 0.00 -192.11
Size (KB) 460.93 128.991 35.36 692.1 491.94 452.93 315 588 76 222
Page 91
69
Gambar 5.15 Grafik Persentase Kompresi
-80,00
-60,00
-40,00
-20,00
0,00
20,00
40,00
60,00
80,00
100,00
120,00
Rasio Kompresi
Wavelet LV1 Wavelet LV2 Wavelet LV3 Wavelet LV1 Thres
Wavelet LV2 Thres Wavelet LV3 Thres Fractal PNG
JPG GIF
Page 92
70
[Halaman ini sengaja dikosongkan]
Page 93
71
BAB VI
KESIMPULAN DAN SARAN
Bab VI ini membahas tentang kesimpulan yang didasari
oleh hasil uji coba pada bab sebelumnya. Kesimpulan tersebut
nantinya menjawab rumusan masalah yang telah ada pada
pendahuluan. Selain itu, juga terdapat saran sebagai acuan
untuk mengembangkan topik Tugas Akhir ini lebih lanjut di
masa depan.
6.1 Kesimpulan
Dari hasil uji coba yang telah dilakukan, dapat diambil
kesimpulan sebagai berikut:
1. Dari 7 skenario uji coba yang digunakan, waktu kompresi
dari kompresi wavelet jauh lebih cepat dibanding fraktal,
dengan waktu kompresi tercepat kurang dari 1 detik.
Sedangkan kompresi fraktal yang terlama mencapai 27000
detik.
2. Dari skenario uji coba yang dilakukan ukuran pemampatan
atau kompresi citra dengan metode fraktal menghasilkan
ukuran file yang bergantung pada besarnya resolusi
gambar, sedangkan kompresi wavelet bergantung pada
besar kecilnya resolusi serta nilai pixelnya. Dibanding
wavelet LV1 kompresi fraktal memiliki compression ratio
rata-rata diatas 2 dan BPP diatas 4, namun bila
dibandingkan dengan wavelet LV 2 dan 3 maka rasio
kompresi fraktal masih jauh lebih kecil. Untuk kompresi
wavelet LV 3 nilai rasio kompresi mencapai angka diatas
20 dan BPPnya mencapai 0.24. Selain itu nilai threshold
juga mempengaruhi nilai PSNR dan ukuran kompresinya.
3. Dari skenario uji coba yang dilakukan, nilai PSNR dan
MSE kompresi wavelet jauh lebih baik dibandingkan
dengan kompresi fraktal, dengan nilai PSNR tertinggi
mencapai 33.33 dan MSE 16.55.
Page 94
72
6.2 Saran
Saran yang diberikan untuk pengembangan perangkat
lunak ini adalah:
1. Untuk kompresi citra yang diharapkan dalam waktu
singkat maka kompresi wavelet merupakan pilihan yang
baik..
2. Analisa jenis gambar dapat berpengaruh terhadap
pemilihan jenis kompresi.
Page 95
73
Daftar Pustaka
[1] D. Putra, Pengolahan Citra Digital, Yogyakarta: Andi,
2010.
[2] R. Jasmi, M. Perumal and D. M. Rajasekaran,
"Comparison Of Image Compressio Techniques Usig
Huffman Coding, DWT, and Fractal Algorithm," in IEEE
Conference Publications, Coimbatore, 2015.
[3] B. M. Ismail, S. M. Basha and B. E. Reddy, "Improved
Fractal Image Compression Using Range Block Size," in
IEEE International Conference on Computer Graphics,
Vision and Information Security (CGVIS), Bhubaneswar,
2015.
[4] R. C. Gonzalez and R. E. Wood, Digital Image Processing
3rd ed, New Jersey: Pearson, 2008.
[5] R. Munir, Pengolahan Citra Digital dengan Pendekatan
Algoritmik, Bandung: Informatika, 2004.
[6] D. Salomon and G. Motta, Handbook of Data
Compression 5th ed, chicago: Springer, 2010.
[7] S. S. Krivenko, V. V. Lukin and E. Kolganove,
"Peculiarities of Lossy Compression of Optical and
Medical Images Corrupted by Noise," in Electronics and
Nanotechnology (ELNANO), 2016 IEEE 36th
International Conference, Kiev, 2016.
[8] S. Madenda, Pengolahan Citra & Video Digital, Jakarta:
Erlangga, 2015.
[9] E. Prasetyo, Pengolahan Citra Digital dan Aplikasinya
Menggunakan Matlab, Gresik: Andi, 2011.
[10] M. Samad and A. . A. Suman, "A Reconstruction of
Original Image from Destroyed Image through Haar
Wavelet Transform," International Journal of Signal
Processing Systems, vol. 2, no. 2, pp. 60-63, 2014.
Page 96
74
[11] A. Basuki, J. F. Palandi and F. , Pengolahan Citra Digital
menggunakan Visual Basic, Yogyakarta: Graha Ilmu,
2005.
Page 97
75
BIODATA PENULIS
Nanang Taufan Budiansyah, lahir di
Banjarnegara pada tanggal 10 Juli
1995. Penulis menempuh pendidikan
mulai dari TK Aisyah Mataram
(1999-2001), SDN 2 Cakranegara
(2001-2007), SMPN 2 Mataram
(2007-2010), SMAN 5 Mataram
(2010-2013), dan sekarang sedang
menjalani pendidikan S1 Teknik
Informatika di ITS. Penulis aktif
dalam organisasi Himpunan
Mahasiswa Teknik Computer
(HMTC) dan Schematics HMTC. Diantaranya adalah menjadi
staff departemen hubungan luar himpunan mahasiswa teknik
computer ITS 2014-2015 dan bendahara umum Schematics
HMTC ITS 2015-2016. Penulis juga aktif dalam kegiatan
kepanitiaan ITS EXPO. Diantaranya penulis pernah menjadi
staff Pasar Malam ITS EXPo 2014 dan 2015. Penulis
mengambil bidang minat Komputasi Cerdas Visual (KCV).
Komunikasi dengan penulis dapat melalui email:
[email protected] .